Forum de Statistiques
Vous souhaitez réagir à ce message ? Créez un compte en quelques clics ou connectez-vous pour continuer.
Les posteurs les plus actifs de la semaine
Aucun utilisateur

Le Deal du moment :
TV LED 32” Continental Edison CELED32SAHD24B3
Voir le deal
139.99 €

écriture probabiliste d'un MLG (modèle linéaire généralisé)

2 participants

Aller en bas

écriture probabiliste d'un MLG (modèle linéaire généralisé) Empty écriture probabiliste d'un MLG (modèle linéaire généralisé)

Message par popotam Sam 15 Sep 2007 - 17:59

Bonjour,

On sait écrire le modèle linéaire gaussien de base en termes de variables aléatoires :

Y = beta_0 + beta_1 X1 + epsilon_i

Mais les modèles linéaires généralisés s'écrivent par une relation sur la moyenne des observations et les prédicteurs :

f(mu) = beta_0 + beta_1 X1

Par exemple pour quand les observations sont de Poisson, on prend souvent f = log. Comment écrire

Y = ...

où Y est la variable aléatoire de Poisson observée ? Est-ce possible confused

popotam

Nombre de messages : 371
Date d'inscription : 27/09/2006

Revenir en haut Aller en bas

écriture probabiliste d'un MLG (modèle linéaire généralisé) Empty Re: écriture probabiliste d'un MLG (modèle linéaire généralisé)

Message par Kolmogorov Ven 28 Sep 2007 - 9:23

J'avais posé cette question lorsque j'étais étudiant et il me semble bien que ce n'est pas possible.
Kolmogorov
Kolmogorov

Nombre de messages : 143
Date d'inscription : 22/01/2006

Revenir en haut Aller en bas

écriture probabiliste d'un MLG (modèle linéaire généralisé) Empty Re: écriture probabiliste d'un MLG (modèle linéaire généralisé)

Message par Invité Mer 3 Oct 2007 - 13:01

Dans le cadre d'un glm avec une loi de poisson tu peux ensuite écrire l'équation par rapport a y plutôt que par rapport au lien :
si tu as log(lamda) = b0 + b1*x
tu peux alors ecrire que y = exp(b0 + b1*x)
ça ne pose pas de problème tu peux aussi retrouver facilement le lien entre une probabilité par exemple et les paramètres dans le cadre d'une regression logistique.

Invité
Invité


Revenir en haut Aller en bas

écriture probabiliste d'un MLG (modèle linéaire généralisé) Empty Re: écriture probabiliste d'un MLG (modèle linéaire généralisé)

Message par Kolmogorov Mer 3 Oct 2007 - 13:21

micros corpus a écrit:Dans le cadre d'un glm avec une loi de poisson tu peux ensuite écrire l'équation par rapport a y plutôt que par rapport au lien :
si tu as log(lamda) = b0 + b1*x
tu peux alors ecrire que y = exp(b0 + b1*x)
ça ne pose pas de problème tu peux aussi retrouver facilement le lien entre une probabilité par exemple et les paramètres dans le cadre d'une regression logistique.

Ah bon ? Shocked
Kolmogorov
Kolmogorov

Nombre de messages : 143
Date d'inscription : 22/01/2006

Revenir en haut Aller en bas

écriture probabiliste d'un MLG (modèle linéaire généralisé) Empty Re: écriture probabiliste d'un MLG (modèle linéaire généralisé)

Message par Invité Mer 3 Oct 2007 - 13:46

Un exemple avec le logiciel R :
Code:
x <- 0:30
# simulation de y
y <- exp(1.65228428+0.01479082*x+rnorm(31,0,0.2))
y <- round(y)
y
 [1]  5  6  6  5  6  6  6  6  5  7  6  8  8  7  8  8  5  7  7  6  5 10  7  8  7 12  6  7  8  5  8
glm1 <- glm(y~x,family="poisson")
summary(glm1)

Call:
glm(formula = y ~ x, family = "poisson")

Deviance Residuals:
    Min        1Q    Median        3Q      Max 
-1.09464  -0.29323  -0.01163  0.18369  1.49600 

Coefficients:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept) 1.754009  0.140356  12.497  <2e-16 ***
x          0.010623  0.007718  1.376    0.169   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for poisson family taken to be 1)

    Null deviance: 10.021  on 30  degrees of freedom
Residual deviance:  8.121  on 29  degrees of freedom
AIC: 128.63

Number of Fisher Scoring iterations: 4

Donc ici l'équation sur le lien se traduit par log(lambda) = 1.75400913+0.01062344*x
Si on cherche les prédictions sur le lien on utlisera donc cette équation :
Code:
predict(glm1,type="link")[1:5]
      1        2        3        4        5
1.754009 1.764633 1.775256 1.785879 1.796503

# avec l'équation :
1.75400913+0.01062344*x[1:5]
[1] 1.754009 1.764633 1.775256 1.785879 1.796503

L'équation sur y se traduit elle par exp(log(lambda))= exp(1.75400913+0.01062344*x), soit lambda = exp(1.75400913+0.01062344*x) ou encore lambda = 5.77772*exp(0.01062344*x)
Code:
predict(glm1,type="response")[1:5]
      1        2        3        4        5
5.777720 5.839426 5.901792 5.964823 6.028528

# avec l'équation
5.77772*exp(0.01062344*x[1:5])
[1] 5.777720 5.839426 5.901792 5.964823 6.028528

Par contre ne pas oublier que la linéarité est sur le lien et non pas sur la variable que l'on modélise. Et ici il s'agit d'un modèle avec une loi de poisson et un lien log.

Invité
Invité


Revenir en haut Aller en bas

écriture probabiliste d'un MLG (modèle linéaire généralisé) Empty Re: écriture probabiliste d'un MLG (modèle linéaire généralisé)

Message par popotam Mer 3 Oct 2007 - 16:17

si tu as log(lamda) = b0 + b1*x
tu peux alors ecrire que y = exp(b0 + b1*x)

Euh non y est l'observation il faudrait un terme "d'erreur" comme le epsilon en régression.

Et je n'ai pas bien compris ce que tu as voulu illustrer...

popotam

Nombre de messages : 371
Date d'inscription : 27/09/2006

Revenir en haut Aller en bas

écriture probabiliste d'un MLG (modèle linéaire généralisé) Empty Re: écriture probabiliste d'un MLG (modèle linéaire généralisé)

Message par Contenu sponsorisé


Contenu sponsorisé


Revenir en haut Aller en bas

Revenir en haut

- Sujets similaires

 
Permission de ce forum:
Vous ne pouvez pas répondre aux sujets dans ce forum