Interprétation géométrique du modèle linéaire généralisé

13

Pour le modèle linéaire , on peut avoir une belle interprétation géométrique du modèle estimé par OLS: y = x β + e . Y est la projection de y sur l'espace engendré par x et résiduel e est perpendiculaire à cet espace engendré par x.y=Xβ+ey^=Xβ^+e^y^e^

Maintenant, ma question est: existe-t-il une interprétation géométrique du modèle linéaire généralisé (régression logistique, poission, survie)? Je suis très curieux de savoir comment interpréter le modèle de régression logistique binaire estimé p = logistique ( x β ) géométriquement d'une manière semblable au modèle linéaire. Il n'a même pas de terme d'erreur. p^=la logistique(Xβ^)

J'ai trouvé un exposé sur l'interprétation géométrique des modèles linéaires généralisés. http://statweb.stanford.edu/~lpekelis/talks/13_obs_studies.html#(7) . Malheureusement, les chiffres ne sont pas disponibles et il est assez difficile à imaginer.

Toute aide, référencement et suggestion seront grandement appréciés !!!

Vincent
la source

Réponses:

6

Je pense que votre meilleur pari est la thèse de Dongwen Luo de l'Université Massey, sur la géométrie des modèles linéaires généralisés ; il est disponible en ligne ici . En particulier, vous souhaitez vous concentrer sur Chapt. 3 - La géométrie des GLM (et plus particulièrement dans la section 3.4). Il emploie deux "domaines géométriques" différents; un avant et un après la transformation du lien canonique. Certaines des machines théoriques de base proviennent des travaux de Fienberg sur La géométrie d'une table de contingence r × c . Comme préconisé dans la thèse de Luo:

nRnSUNEμ^T=s+UNEMRg(μ^)g(MR)

SUNERn=SUNEμ^y

En supposant que vous ayez des connaissances en géométrie différentielle, le livre de Kass et Vos Geometrical Foundations of Asymptotic Inference devrait fournir une base solide à ce sujet. Cet article sur La géométrie de l'inférence asymptotique est disponible gratuitement sur le site Web de l'auteur.

Enfin, pour répondre à votre question s'il existe "une quelconque interprétation géométrique du modèle linéaire généralisé (régression logistique, Poisson, survie) ". Oui il y en a un; et dépend de la fonction de liaison utilisée. Les observations elles-mêmes sont considérées comme un vecteur dans ce lien transformé en espace. Il va sans dire que vous examinerez des collecteurs de dimension supérieure à mesure que votre taille d'échantillon et / ou le nombre de colonnes de votre matrice de conception augmente.

usεr11852
la source