Узагальнені лінійні змішані моделі: діагностика

У мене є випадкова логістична регресія перехоплення (за рахунок повторних вимірювань), і я хотів би провести деяку діагностику, зокрема стосовно людей, що перебувають у спокої та впливових спостережень.

Я подивився на залишки, щоб побачити, чи існують спостереження. Але я також хотів би поглянути на щось на кшталт відстані Кука або DFFITS. Хосмер та Lemeshow (2000) стверджують, що через відсутність модельних інструментів діагностики для корельованих даних слід просто підходити до звичайної логістичної регресійної моделі, ігноруючи кореляцію, та використовувати засоби діагностики, доступні для регулярної логістичної регресії. Вони стверджують, що це було б краще, ніж взагалі не робити діагностики.

Книга з 2000 року, і мені цікаво, чи є зараз доступні методи для діагностики моделей із логістичною регресією зі змішаними ефектами? Який був би хороший підхід для перевірки на випускників?

Редагувати (5 листопада 2013 р.):

Через відсутність відповідей мені цікаво, чи діагностування зі змішаними моделями не робиться взагалі або, скоріше, не є важливим кроком при моделюванні даних. Тож дозвольте перефразувати своє запитання: що ви робите, коли знайшли «добру» регресійну модель?

Діагностичні методи дійсно різні для узагальнених лінійних змішаних моделей. Розумний, який я бачив, що заснований на залишках від GLMM, пояснюється Паном та Ліном (2005, DOI: 10.1111 / j.1541-0420.2005.00365.x). Вони використовували сукупні суми залишків, коли впорядкування накладається або пояснювальними змінними, або лінійним предиктором, таким чином перевіряючи або специфікацію функціональної форми заданого предиктора, або функцію зв'язку в цілому. Нульові розподіли засновані на моделюванні з проектного простору з нульового розподілу правильних специфікацій, і вони продемонстрували пристойні розміри та властивості потужності цього тесту. Вони спеціально не обговорювали інвалідів, але я можу собі уявити, що люди, що переживають люди, повинні, мабуть, відкинути принаймні функцію зв’язку, занадто сильно вигнувши її до впливу спостереження.

Існує дуже багато різних думок щодо того, який найкращий спосіб переглянути діагностику для змішаних моделей. Як правило, ви хочете подивитися як на залишки, так і на стандартні аспекти, які будуть розглянуті для моделі без повторних заходів.

На додаток до таких, як правило, ви також хочете переглянути самі випадкові ефекти. Методи часто передбачають побудову випадкових ефектів різними коваріатами та пошук ненормальності в розподілі випадкових ефектів. Існує ще багато методів (деякі з них згадувалися в попередніх коментарях), але це, як правило, хороший початок.