48. Gamma, Ters Gauss ve Tweedie GLM
Analiz kimliği: glm_positive · Menü adı: Gamma / Ters Gauss / Tweedie GLM · Panel: gui/panels/analyses/glm_positive_panel.py (form 56–148, read_options 160–198, execute 203–250, metin 283–381, grafik 413–455) · Motor: stats/glm_positive.py, run_positive_glm (satır 350–548), Tweedie profili tweedie_profile (211–267), profil GA profile_ci (292–331); IRLS çekirdeği stats/glm_irls.py, irls (213–302)
48.1 Ne işe yarar
Bu analiz, sürekli ve pozitif bir yanıtın (hastane maliyeti, yatış süresi, derişim, biyokütle) ortalamasını açıklayıcı değişkenlerle modeller. Doğrusal regresyondan iki farkı vardır: ortalama bir bağlantı fonksiyonu üzerinden doğrusal yazılır ve varyans ortalamayla birlikte büyüyebilir. Cevapladığı sorular şunlardır: "Yatış süresi bir gün uzayınca ortalama maliyet yüzde kaç artar?", "Sigortalı hastaların cepten harcaması, sıfır harcayanlar da hesaba katılınca kaç kat?"
- \mu_i=E(Y_i\mid\mathbf x_i): koşullu ortalama; g: bağlantı fonksiyonu (log, ters, özdeşlik, ters kare ya da kuvvet).
- \varphi>0: ölçek (yayılım) parametresi; varyansın ortalamaya göre büyüklüğünü ayarlar. Gamma'da \sqrt\varphi değişkenlik katsayısıdır.
- V(\mu): varyans fonksiyonu; aileyi o belirler.
- Log bağlantıda e^{\beta_j}: x_j bir birim arttığında ortalama yanıtın çarpıldığı katsayı.
Neden üç aile?
Üçü de üstel yayılım ailesindendir: \operatorname{Var}=\varphi\mu^p (Jørgensen 1987). p=2 (Gamma) değişkenlik katsayısını sabit tutar: maliyet iki katına çıkınca SS de iki katına çıkar. p=3 (ters Gauss) sağ kuyruğu daha uzundur. 1<p<2 (Tweedie) bir bileşik Poisson–Gamma dağılımıdır: Poisson sayıda Gamma tutarın toplamı. Sayı sıfır olabileceği için Y=0 pozitif olasılık taşır; yani sıfırlarla sürekli pozitif değerlerin karışımını tek bir modelde açıklar (ör. sigorta tazminatı, cepten harcama).
Ne zaman kullanılır? Yanıt pozitif ve sağa çarpıksa, varyans ortalamayla artıyorsa ve etkiler çarpımsal düşünülüyorsa (log bağlantı). Sıfır içeren sürekli yanıtta Tweedie.
Ne zaman kullanılmaz?
- Yanıt sayımsa (tam sayı olay sayısı): Poisson / Negatif Binom Regresyon (Bölüm 47).
- Varyans ortalamadan bağımsızsa (sabit varyans): Çoklu Doğrusal Regresyon. Bu bölümün örneğinde tam da bu durum çıkmaktadır (48.6).
- Amaç ortalama değil, bir dilimse (ör. medyan maliyet): Kantil Regresyon.
- Yanıt bir sınırda sansürlüyse (ör. sıfırda yığılma "gözlenemeyen negatif" anlamındaysa): Tobit.
- Gözlemler kümeliyse: GEE ya da GLMM.
Sık karıştırılan analizler. Log-dönüşümlü doğrusal regresyon (\ln y üzerine OLS) E(\ln Y)'yi modeller; geri dönüşte e^{\hat\eta} ortalamayı değil yaklaşık medyanı verir ve hatalar heteroskedastikse yanlıdır (Manning ve Mullahy 2001). Log bağlantılı Gamma GLM \ln E(Y)'yi modeller; geri dönüş doğrudan ortalamadır. Tweedie, "sıfır mı değil mi" ve "ne kadar" sorularını tek modelde birleştirir; iki parçalı (engel) modellerin sürekli karşılığıdır.
48.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Pozitif yanıt | Gamma ve ters Gauss'ta y>0; Tweedie'de y\ge0, en az bir pozitif. | İhlalde hata ve ihlal eden gözlem sayısı (glm_positive.py:387–394). |
| Bağımsız gözlemler | Her satır ayrı birim. | Denetlenmez. |
| Bağlantı ölçeğinde doğrusallık | g(\mu) açıklayıcıların doğrusal fonksiyonu. | Denetlenmez; "Artık – kestirilen" grafiği. |
| Varyans fonksiyonu | \operatorname{Var}\propto\mu^p, p aileyle sabit. | Denetlenmez; Tweedie'de p profil olabilirlikle kestirilebilir; artık grafikleri. |
| Yeterli artık sd | n>k (sabit dahil parametre sayısı). | n-k<1 ise hata (409). |
| Tam ranklı tasarım | Doğrusal bağımlı sütun yok. | Pivotlu QR; bağımlı sütun "—" ve uyarı (397–405). |
Eksik değer. Yanıt ve kullanılan tüm açıklayıcılarda (etkileşim terimlerinin bileşenleri dahil) liste bazında silme (regression_extras.py:169–173, build_linear_design).
Kategorik açıklayıcılar. Metin sütunları ve Veri sekmesinde "kategorik" işaretli sütunlar kendiliğinden kukla kodlanır (auto_categorical=True); sayısal kodlu kategorikler "Kategorik (faktör) değişkenler" alanına yazılır. Referans, MerQur düzey sırasının (kullanıcının tanımladığı sıra, yoksa sayısal/doğal sıra, o da yoksa verideki ilk görülme sırası) ilk (ya da son) düzeyidir; "Referans düzeyleri" alanıyla değişken başına değiştirilebilir.
Uç durumlar.
- Kanonik ters ya da ters kare bağlantıda kestirilen ortalama negatif olabilir; IRLS geçerli bir başlangıç ya da adım bulamazsa "log bağlantıyı deneyin" önerili hata verilir (
glm_positive.py:131–139). - Yineleme sınırına (varsayılan 25) ulaşılırsa sonuç metninin başına yakınsamama uyarısı yazılır; adım yarılama olduysa ayrıca uyarılır (431–435).
- Ölçek sıfır ya da tanımsızsa (yanıt modelce tam açıklanıyorsa) hata (451–452).
- Gözlenen bilgi seçili ve matris pozitif tanımlı değilse hata; "beklenen" seçilmesi önerilir (453–460).
- Tweedie profilinde \hat p aralık sınırına (1,001 ya da 1,999) yakınsa ya da GA'nın bir ucu açık kalırsa uyarı (420–423).
- Terim testinde indirgenmiş model yakınsamazsa o satırda test verilmez ve "†" ile işaretlenir (513–544).
48.3 Parametreler
Varsayılanlar glm_positive_panel.py:56–148 (form) ve 160–198'den (read_options) okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı değişken (sürekli, pozitif) | ilk sayısal sütun | Yanıt. | Aileye göre pozitiflik denetimi. |
| Bağımsız değişkenler | en az 1 | Açıklayıcılar; yanıtla aynı sütun atılır. | Tasarım matrisi. |
| Dağılım ailesi | Gamma GLM | Gamma, Ters Gauss ya da Tweedie (1 < p < 2). | Varyans fonksiyonu; tüm kestirimler. |
| Bağlantı işlevi | Varsayılan | Varsayılan: Gamma 1/μ, ters Gauss 1/μ², Tweedie log. Ayrıca Kanonik, Log, Ters, Özdeşlik, Ters kare. | Katsayıların ölçeği ve anlamı; exp(β) yalnız log bağlantıda. |
| Tweedie güç parametresi (p) | Sabit (elle girilen p) | Profil olabilirlikle kestirim seçilebilir. Yalnız Tweedie'de etkin. | p, \hat\varphi, SH; profilde ek satırlar. |
| p (sabit) | 1,5 | 1,01–1,99. | Varyans fonksiyonu. |
| Ölçek (yayılım) kestirimi | Pearson χ²/sd (varsayılan) | Sapma/sd ya da En çok olabilirlik (ML). | SH, test, GA, F; katsayılar aynı. |
| Bilgi matrisi | Beklenen (Fisher; varsayılan) | Gözlenen (Hessian). | Kanonik olmayan bağlantıda SH; katsayılar aynı. |
| Katsayı testi dağılımı | t (sd = artık sd; varsayılan) | z (standart normal). | Yalnız p; GA her durumda z ile. |
| Güven Düzeyi | %95 | \alpha=1-\text{düzey}. | GA ve Tweedie p GA'sı. |
| Güven aralığı yöntemi | Wald (varsayılan) | Profil olabilirlik. | GA sınırları. |
| Kategorik (faktör) değişkenler | boş | Sayısal kodlu sütunları kukla kodlar. | Tasarım. |
| Etkileşim terimleri | boş | x1*x2, x1:x2. |
Tasarım; terim testlerinde marjinallik. |
| Referans düzeyleri (değişken=düzey) | boş | grup=B; site=K. |
Kukla referansı. |
| Referans kategori (faktörler) | İlk düzey | İlk ya da son düzey. | Kukla referansı. |
| En çok yineleme | 25 | 5–500. | Yakınsama. |
| Ek çıktı: Terim testleri (F / LR) | açık | Her terim çıkarılınca F ve χ². | Ek bölüm. |
| Ek çıktı: Artık tanıları | açık | Sapma artıkları, Cook, kaldıraç. | Ek bölüm; artık grafikleri. |
| Grafik | Gözlenen – kestirilen | Artık – kestirilen, Q-Q, Tweedie p profili. | Yalnız Grafik sekmesi. |
Seçeneklerin birbirini etkilediği durumlar
Güç parametresi ve p yalnız Tweedie'de anlamlıdır; başka ailede değiştirilmişse yok sayılır ve ayar bloğuna yazılır (glm_positive_panel.py:222–234). "Tweedie p profili" grafiği p kestirilmediyse, artık grafikleri tanılar kapalıysa "Gözlenen – kestirilen"e döner ve ayar bloğuna yazılır (237–245). Arayüzde "p (sabit)" kutusu yalnız Tweedie + Sabit seçiliyken etkindir (101–107).
Neden üç ayrı ölçek kestirimi?
Katsayılar \varphi'den bağımsızdır; \varphi yalnız SH'yi ölçekler. Pearson X^2/(n-k) moment kestiricisidir; dağılım varsayımı yanlış olsa da tutarlıdır (R summary.glm varsayılanı). Sapma/sd aykırı değerlere daha az duyarlıdır ama küçük \varphi'de yanlıdır. ML kestirimi olabilirlik tabanlıdır. Bu veride üçü 0,0849, 0,1345 ve 0,1297'dir; SH'ler \sqrt{\varphi} oranında değişir (48.6, Adım 6).
48.4 Tıp örneği
Tıp setinde Gamma ya da Tweedie için ayrılmış bir dosya yoktur; aynı setteki iki maliyet dosyası kullanılmıştır.
Gamma ve ters Gauss: english/datasets/Tip/59_quantile_hastane_cost.xlsx (kantil regresyon dosyası).
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
total_cost_TL |
Bağımlı | sürekli, pozitif (TL) | ort. 16385,6; SS 5863,4; ortanca 16022,5; 1000–41431; DK 0,358; çarpıklık 0,23 |
age |
Açıklayıcı | sürekli (yıl) | ort. 54,1; SS 18,6; 20–84 |
admission_day |
Açıklayıcı | sürekli (gün) | ort. 4,98; SS 2,04; 1–12 |
Tweedie: english/datasets/Tip/46_tobit_hastane_expenditure.xlsx (Tobit dosyası).
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
pocket_expenditure_TL |
Bağımlı | sürekli, \ge0 (TL) | ort. 2038,5; SS 1854,2; en çok 8309; 40 sıfır (%20) |
admission_day |
Açıklayıcı | sürekli (gün) | ort. 3,04; 0–8 |
insurance_present |
Açıklayıcı | 0/1 (sayısal) | 137 sigortalı (%68,5) |
n ve eksik değer: iki dosyada da 200 hasta, eksik değer yok.
Klinik sorular: (1) Yaş ve yatış süresi denetlendiğinde toplam maliyet nasıl değişir? (2) Sigorta ve yatış süresi cepten harcamayı, hiç harcamayanlar da modelde kalacak biçimde nasıl etkiler?
Seçilen ayarlar: Arayüz varsayılanları (Gamma, kanonik 1/μ bağlantı, Pearson ölçek, beklenen bilgi, t testi, Wald GA, terim testleri ve tanılar açık). Yorum kolaylığı için ana yürüyüş log bağlantılı Gamma ile yapılmıştır. Ek çalıştırmalar: profil GA; gözlenen bilgi + ML ölçek + z; sapma ölçeği + %99; ters Gauss (log ve kanonik); Tweedie p=1{,}5 ve profil \hat p.
48.5 Formüller ve hesap adımları
MerQur'un hesap sırası: (1) tasarım matrisi, liste bazında silme, rank denetimi; (2) Tweedie'de istenirse p profili; (3) R glm.fit'in birebir Python karşılığı olan IRLS; (4) Pearson, sapma ya da ML ölçeği; (5) beklenen ya da gözlenen bilgiden SH, t ya da z testi, Wald ya da profil GA; (6) sıfır modeline karşı F ve LR, terim testleri; (7) AIC/BIC ve tanılar.
48.5.1 Aileler: varyans fonksiyonu ve birim sapma
| Aile | V(\mu) | Birim sapma d(y,\mu) | Kanonik bağlantı |
|---|---|---|---|
| Gamma | \mu^2 | -2\big[\ln(y/\mu)-(y-\mu)/\mu\big] | 1/\mu |
| Ters Gauss | \mu^3 | (y-\mu)^2/(y\mu^2) | 1/\mu^2 |
| Tweedie | \mu^p | 2\Big[y\dfrac{y^{1-p}-\mu^{1-p}}{1-p}-\dfrac{y^{2-p}-\mu^{2-p}}{2-p}\Big] | \mu^{1-p} |
- D: sapma; X^2: Pearson istatistiği. İkisi de \varphi ile bölündüğünde yaklaşık \chi^2_{n-k}'dır.
- Tweedie sapmasında y=0 için ilk terim sıfırdır; kod y^{1-p}'yi y=0'da tanımlı tutmak için y yerine y+0{,}1\cdot[y=0] yazar, terim y ile çarpıldığından sonuç değişmez (
glm_irls.py:164–171, statmod ile aynı).
Koddaki tercih: varsayılan bağlantı
"Varsayılan" Gamma ve ters Gauss'ta kanonik bağlantıdır (1/μ, 1/μ²), Tweedie'de log'dur (glm_positive.py:113–116). R Gamma() ve inverse.gaussian() de kanonik bağlantıyla gelir; statmod tweedie() ise kanonik \mu^{1-p} ile gelir. Kanonik ters bağlantının katsayıları "1/maliyet" ölçeğindedir ve işaretleri ters yorumlanır (negatif katsayı ortalamayı artırır). Uygulamada log bağlantı hem yorum hem de kestirimin geçerliliği (μ̂ > 0) açısından çoğu zaman tercih edilir; seçim kullanıcıya bırakılmıştır.
48.5.2 Kestirim: R glm.fit ile aynı IRLS
- \partial\mu/\partial\eta: bağlantının tersinin türevi; log bağlantıda \mu, ters bağlantıda -\mu^2.
- Log bağlantılı Gamma'da w_i=\mu_i^2/\mu_i^2=1: her adım \mathbf z'nin ağırlıksız OLS regresyonudur.
- Genel türetme ve IRLS = Fisher skorlaması eşdeğerliği 46.5.2'de; Poisson özel durumu 47.5.2'dedir.
Koddaki tercih: `glm_irls.irls`, R `glm.fit`'in satır satır karşılığı
stats/glm_irls.py:213–302: başlangıç ailenin initialize ifadesi (Gamma ve ters Gauss: \mu_0=y; Tweedie: \mu_0=y+0{,}1\cdot[y=0]); her adımda ağırlıklı en küçük kareler QR ile çözülür; sapma sonlu değilse ya da \mu/\eta geçersizse adım önceki katsayılara doğru yarılanır (R "inner loop"); durma ölçütü |D_t-D_{t-1}|/(|D_t|+0{,}1)<10^{-8}, en çok 25 yineleme. Ölçeksiz kovaryans son WLS adımının QR'ından alınır; yani yakınsamış \hat\mu'den bir önceki adımın ağırlıklarıyla. Bu, R summary.glm'in yaptığıdır ve MerQur'un R ile 10^{-14} düzeyinde eşleşmesini sağlar.
48.5.3 Ölçek (yayılım) kestirimi
- w_i^{\text{son}}: son IRLS adımının çalışma ağırlıkları; r_{W,i}: çalışma artığı. Yakınsamada \sum w r_W^2=X^2'ye eşittir; fark yakınsama toleransı düzeyindedir (
glm_positive.py:441–449). Log bağlantılı Gamma'da w\equiv1 olduğundan fark tam sıfırdır. - k: sabit dahil kestirilen katsayı sayısı.
- \hat\varphi_{ML}: ters Gauss'ta kapalı biçimde D/n; Gamma ve Tweedie'de \ln\varphi üzerinde sınırlı Brent (
glm_positive.py:173–188).
Koddaki tercih: gözlenen bilgi seçilince Pearson ölçeği
"Gözlenen bilgi + Pearson" seçiliyken \hat\varphi_P, son adım ağırlıkları yerine yakınsamış \hat\mu'deki X^2'den hesaplanır (glm_positive.py:449); bu, gözlenen Hessian kullanan yazılımların tanımıdır.
48.5.4 Standart hatalar: beklenen ve gözlenen bilgi
- \mu'=\partial\mu/\partial\eta, \mu''=\partial^2\mu/\partial\eta^2, V'=dV/d\mu.
- Kanonik bağlantıda ikinci terim sıfırdır: gözlenen ve beklenen bilgi aynıdır. Kanonik olmayan bağlantıda (log bağlantılı Gamma, log-binom) farklıdır (
glm_irls.py:320–335).
Neden iki bilgi matrisi?
Beklenen bilgi E[-\partial^2\ell/\partial\boldsymbol\beta^2]'dir ve yalnız \mu'ye bağlıdır; gözlenen bilgi verinin kendisini (y_i-\mu_i) de içerir. İkisi de asimptotik olarak geçerlidir. R glm beklenen bilgiyi kullanır. MerQur'da "Bilgi matrisi: gözlenen" + "Ölçek: ML" + "z" seçildiğinde gözlenen bilgiye ve ML ölçeğine dayanan SH'ler elde edilir (v240a_glm_note_sas).
48.5.5 Testler ve güven aralıkları
- t dağılımı, \varphi veriden kestirildiği için R
summary.glmgibi artık sd ile kullanılır (glm_positive.py:467–470). - Wald GA her durumda standart normal kantille kurulur (R
confint.default, 470–471). t testi seçiliyken p ve GA'nın ölçütleri bu yüzden çok küçük farkla ayrışabilir. - Sabit terimin exp(β)'sı "—" gösterilir.
Profil olabilirlik GA'sı (R confint.glm tanımı; glm_positive.py:292–331):
- D(\hat{\boldsymbol\beta}_{-j}(b),b): \beta_j=b sabit tutulup (denge terimi olarak) diğer katsayılar yeniden kestirildiğinde sapma.
- \hat\varphi sabit tutulur; kökler \hat\beta_j'nin iki yanında Brent ile bulunur (R ızgara + spline ile yaklaşır). Genel profil mantığı 46.5.10'dadır.
48.5.6 Model ve terim testleri
- D_0: yalnız sabitli modelin sapması (\hat\mu_i=\bar y).
- Terim testleri aynı formülü, terimin tüm sütunları çıkarılıp yeniden kestirilen modelle kurar; daha yüksek dereceli bir etkileşimin içinde yer alan ana etki test edilmez (R
drop.scope,glm_positive.py:340–347). - Paydadaki \hat\varphi seçilen ölçektir (varsayılan Pearson).
R `drop1(test = "F")` farklı ölçek kullanır
R'de anova(m0, m, test = "F") Pearson ölçeğini kullanır ve MerQur'la aynı F'yi verir. Ancak drop1(m, test = "F") paydada sapma/sd kullanır. Bu veride admission_day için MerQur (ve anova) F=121{,}05, drop1 F=76{,}41 verir. MerQur'da "Ölçek: Sapma/sd" seçildiğinde drop1 ile aynı sayı (76,41) elde edilir.
48.5.7 Log-olabilirlik, AIC ve BIC
- Gamma: f ölçek-biçim parametreli Gamma yoğunluğu (biçim 1/\tilde\varphi, ölçek \hat\mu\tilde\varphi). Ters Gauss: f=(2\pi\tilde\varphi y^3)^{-1/2}\exp\{-(y-\mu)^2/(2\tilde\varphi\mu^2y)\}.
- Tweedie yoğunluğunun kapalı biçimi yoktur; seri açılımıyla hesaplanır (Dunn ve Smyth 2005; statsmodels
Tweedie.loglike_obs,glm_positive.py:146–152). - \tilde\varphi=D/n ve +1 parametre, R ailesinin
aic()tanımıdır (Tweedie'detweedie::AICtweedie). Bu \tilde\varphi, SH'lerde kullanılan \hat\varphi'den farklıdır.
48.5.8 Tweedie güç parametresi p: profil olabilirlik
- Her p için \boldsymbol\beta IRLS ile, \varphi (\boldsymbol\mu sabitken) ML ile kestirilir (
_profile_point,glm_positive.py:202–208). - \hat p: 1,02–1,98 ızgarasında (0,04 adım) en iyi noktanın komşu aralığında sınırlı Brent (
tweedie_profile, 211–267). GA sınırları 0,01 adımla taranıpbrentqile bulunur. - Bileşik Poisson–Gamma gösteriminde Y=\sum_{j=1}^{N}G_j, N\sim\text{Poisson}(\lambda), G_j\sim\text{Gamma}(\alpha_G,\gamma): \lambda=\mu^{2-p}/[\varphi(2-p)], \alpha_G=(2-p)/(p-1), \gamma=\varphi(p-1)\mu^{p-1}; P(Y=0)=e^{-\lambda}.
Koddaki tercih: p AIC'de parametre sayılmaz, SH'ler p sabitken
\hat p ile kurulan model p'yi bilinen sayar; katsayı SH'leri (\boldsymbol\beta,\varphi,p) ortak Hessian'ından değil, p ve \varphi sabitken verilir (v240a_glm_note_tweedie_aic). R tweedie::tweedie.profile ızgara + düzgünleştirmeyle yaklaşık \hat p verir (bu veride 1,3122); MerQur doğrudan en büyükler (1,3118).
48.5.9 Artık tanıları
- h_{ii}: son adım ağırlıklarıyla şapka matrisinin köşegeni (R
hatvalues.glm). - r^S: standartlaştırılmış sapma artığı (R
rstandard.glm); r^P: Pearson artığı. - Eşikler: |r^S|>2 ve >3; Cook >4/n; kaldıraç >2k/n (
glm_positive.py:564–579). Cook satır numarası 1 tabanlıdır.
48.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/glm_positive/elle_hesap.py ile, MerQur çağrılmadan numpy ile hesaplanmıştır. Tweedie yoğunluğu, bileşik Poisson–Gamma toplamının doğrudan seri toplamıyla (log-toplam-üs) hesaplanmıştır; statsmodels ve R tweedie paketlerinden bağımsızdır.
Adım 1 — Önce varyans fonksiyonuna bakmak. Hastalar yatış gününe göre gruplanır (n\ge5 olan 8 grup, 2–9 gün) ve grup ortalaması ile varyansı log–log ölçekte çizilir. Gamma doğruysa eğim yaklaşık 2, ters Gauss'ta 3, sabit varyansta 0 olmalıdır. Ağırlıklı eğim −0,45'tir: grup ortalaması 10558'den 23767 TL'ye çıkarken varyans artmamaktadır.
Şekil 48.1. Sol: yatış günü gruplarında maliyet ortalaması ve varyansı (log–log); kesikli çizgiler V ∝ μ⁰, μ², μ³ eğimleridir. Sağ: cepten harcama verisinde Tweedie p için profil log-olabilirlik; dikey çizgi p̂, gölgeli bölge %95 GA.
Bu, örnek verinin Gamma varsayımına uymadığını gösterir. Aynı açıklayıcılarla sabit varyanslı normal doğrusal modelin AIC'si 3931,34'tür; log bağlantılı Gamma 4020,54, kanonik Gamma 4024,40, ters Gauss (log) 4179,45 verir. Aşağıdaki yürüyüş yöntemi göstermek içindir; bu veri için doğru model seçimi normal modeldir.
Adım 2 — IRLS (log bağlantılı Gamma). Başlangıç \mu_0=y (sapma 0). Ağırlıklar hep 1 olduğundan her adım z_i=\eta_i+(y_i-\mu_i)/\mu_i'nin \mathbf X üzerine OLS regresyonudur.
| Yineleme | b_0 | b_{\text{age}} | b_{\text{gün}} | D | \lvert\Delta D\rvert/(\lvert D\rvert+0{,}1) |
|---|---|---|---|---|---|
| 1 | 9,022548 | −0,001095 | 0,130275 | 28,058233 | 0,9964 |
| 2 | 9,072860 | 0,001084 | 0,110589 | 26,496630 | 0,0587 |
| 3 | 9,073101 | 0,001019 | 0,110463 | 26,493272 | 1,26·10⁻⁴ |
| 4 | 9,073036 | 0,001019 | 0,110475 | 26,493272 | 5,67·10⁻⁹ |
Dördüncü adımda ölçüt 10^{-8}'in altına iner; MerQur da "Yineleme sayısı = 4" yazar.
Adım 3 — Katsayılar (Pearson ölçek, beklenen bilgi, t_{197}).
| Terim | b | SH | t | p | exp(β) | %95 GA (Wald) |
|---|---|---|---|---|---|---|
| Sabit | 9,073036 | 0,082378 | 110,139 | <0,0001 | — | — |
| age | 0,001019 | 0,001109 | 0,919 | 0,3591 | 1,001020 | [0,998847; 1,003197] |
| admission_day | 0,110475 | 0,010121 | 10,915 | <0,0001 | 1,116809 | [1,094873; 1,139184] |
Örnek, admission_day: t=0{,}110475/0{,}010121=10{,}915; exp(β) =e^{0{,}110475}=1{,}1168; GA e^{0{,}110475\pm1{,}959964\times0{,}010121}. Her ek yatış günü ortalama maliyeti %11,7 artırır.
Adım 4 — Tek bir hastanın kestirilen ortalaması. 1 numaralı hasta: 63 yaş, 6 gün, gözlenen 18872 TL.
Birim sapması d=-2[\ln(18872/18035{,}34)-(18872-18035{,}34)/18035{,}34]=0{,}002088.
Adım 5 — Ölçek ve uyum.
\hat\varphi_P'nin karekökü 0,291'dir: maliyetin değişkenlik katsayısı model altında yaklaşık %29'dur. \hat\varphi_D'nin \hat\varphi_P'den büyük olması, sapmanın küçük maliyetli iki aykırı gözleme (1000 TL) duyarlılığındandır.
Adım 6 — Ölçek ve bilgi matrisi seçeneklerinin SH'ye etkisi (admission_day, katsayı her durumda 0,110475):
| Seçenek | \hat\varphi | SH | Test |
|---|---|---|---|
| Pearson, beklenen (varsayılan) | 0,084896 | 0,010121 | t=10{,}915 |
| Sapma/sd, beklenen | 0,134484 | 0,012739 | z=8{,}673 |
| ML, gözlenen | 0,129669 | 0,012701 | z=8{,}698 |
Adım 7 — Model ve terim testleri. D_0-D=10{,}338362:
Terim testleri: age çıkarılınca sapma 0,071422 artar, F=0{,}8413 (p=0{,}360); admission_day çıkarılınca 10,276561 artar, F=121{,}05 (p<0{,}0001).
Adım 8 — Profil GA. admission_day için (D(b)-\hat D)/\hat\varphi=1{,}959964^2 kökleri [0{,}090417;\ 0{,}130703], yani exp(β) GA [1{,}0946;\ 1{,}1396]. Wald GA [0{,}090638;\ 0{,}130312]'den biraz geniş ve sağa kayıktır.
Adım 9 — Tanılar. Sapma artıkları −1,7605 ile 0,7400 arasındadır; dağılım sola çarpıktır. |r^S|>3 olan 6 gözlem en düşük maliyetli hastalardır; en büyük Cook D=0{,}0779 satır 10'dadır (77 yaş, 2 gün, 1000 TL). Gamma'nın log ölçeği küçük değerleri büyütür; bu da varyans fonksiyonu uyumsuzluğunun bir işaretidir.
Adım 10 — Tweedie, cepten harcama (#46). p=1{,}5 sabit ve log bağlantıyla: b_{\text{gün}}=0{,}352628 (exp 1,4228), b_{\text{sigorta}}=0{,}565188 (exp 1,7598); \hat\varphi_P=29{,}2629, \ell=-1467{,}7728, AIC 2943,5456.
Profil olabilirlikte her p için \boldsymbol\beta ve \hat\varphi_{ML} yeniden kestirilir. Örnek değerler: \ell_p(1{,}2)=-1463{,}25, \ell_p(1{,}3)=-1455{,}28, \ell_p(1{,}4)=-1458{,}25, \ell_p(1{,}5)=-1467{,}64. En büyük nokta
ve 2[\ell_p(\hat p)-\ell_p(p)]=3{,}8415 kökleri %95 GA [1{,}251992;\ 1{,}380894]'tür. \hat p ile: b_{\text{gün}}=0{,}331864 (exp 1,3936; SH 0,030211), b_{\text{sigorta}}=0{,}531544 (exp 1,7016; SH 0,131724), AIC 2919,6425. Sabit p=1{,}5'e göre AIC 23,9 puan düşer.
Modelin sıfır tahmini: \hat p ve \hat\varphi_{ML} ile \sum_ie^{-\hat\lambda_i}=32{,}35 sıfır beklenir; gözlenen 40'tır. Sıfırların bir kısmı modelin bileşik Poisson yapısıyla açıklanır, ama tamamı değil.
48.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan tam hassasiyetle alınmıştır (glm_positive modülü yuvarlama yapmaz). R: 4.5.3, glm(family = Gamma(link = "inverse" | "log")), glm(family = inverse.gaussian(link = "log" | "1/mu^2")), statmod::tweedie(var.power, link.power = 0), confint.default, MASS confint (profil), anova(m0, m, test = "F"), terim başına anova(indirgenmiş, m, test = "F"), MASS::gamma.dispersion (Gamma ML ölçeği), gözlenen bilgi için analitik gradyanın optimHess farkı, tweedie::dtweedie ve AICtweedie; \hat p için optimize + uniroot ile profilin doğrudan en büyüklenmesi. Bağımsız Python, R glm.fit'in durma ölçütünü ve "son adım ağırlıkları" tanımını aynen uygular; ters bağlantıların çok küçük katsayıları için göreli fark ölçütü kullanılmıştır.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Gamma, ters: φ̂ (Pearson) | 0,085488 | 0,085488 | 0,085488 | 4,0e−16 | ✓ |
| Gamma, ters: sapma D | 26,998677 | 26,998677 | 26,998677 | 2,5e−14 | ✓ |
| Gamma, ters: sıfır sapması D_0 | 36,831634 | 36,831634 | 36,831634 | 1,4e−14 | ✓ |
| Gamma, ters: ℓ (φ = D/n) | −2008,199350 | −2008,199350 | −2008,199350 | 4,8e−12 | ✓ |
| Gamma, ters: AIC | 4024,398700 | 4024,398700 | 4024,398700 | 4,5e−13 | ✓ |
| Gamma, ters: BIC | 4037,591969 | 4037,591969 | 4037,591969 | 2,7e−12 | ✓ |
| Gamma, ters: model F | 57,511001 | 57,511001 | 57,511001 | 3,2e−13 | ✓ |
| Gamma, ters: \beta Sabit | 9,6513·10−5 | 9,6513·10−5 | 9,6513·10−5 | 6,9e−15 (göreli) | ✓ |
| Gamma, ters: SH Sabit | 4,7912·10−6 | 4,7912·10−6 | 4,7912·10−6 | 6,9e−15 (göreli) | ✓ |
| Gamma, ters: t Sabit | 20,143587 | 20,143587 | 20,143587 | 4,6e−14 | ✓ |
| Gamma, ters: \beta age | −6,9259·10−8 | −6,9259·10−8 | −6,9259·10−8 | 1,5e−13 (göreli) | ✓ |
| Gamma, ters: SH age | 6,6016·10−8 | 6,6016·10−8 | 6,6016·10−8 | 8,0e−15 (göreli) | ✓ |
| Gamma, ters: t age | −1,049128 | −1,049128 | −1,049128 | 1,5e−13 | ✓ |
| Gamma, ters: \beta admission_day | −5,8130·10−6 | −5,8130·10−6 | −5,8130·10−6 | 1,2e−15 (göreli) | ✓ |
| Gamma, ters: SH admission_day | 4,9253·10−7 | 4,9253·10−7 | 4,9253·10−7 | 1,2e−14 (göreli) | ✓ |
| Gamma, ters: t admission_day | −11,802179 | −11,802179 | −11,802179 | 1,1e−13 | ✓ |
| Gamma, ters: p (t, sd 197) age | 0,295405 | 0,295405 | 0,295405 | 6,9e−14 | ✓ |
| Gamma, log: φ̂ (Pearson) | 0,084896 | 0,084896 | 0,084896 | 1,1e−15 | ✓ |
| Gamma, log: sapma D | 26,493272 | 26,493272 | 26,493272 | 6,0e−14 | ✓ |
| Gamma, log: sıfır sapması D_0 | 36,831634 | 36,831634 | 36,831634 | 1,4e−14 | ✓ |
| Gamma, log: ℓ (φ = D/n) | −2006,267601 | −2006,267601 | −2006,267601 | 2,3e−13 | ✓ |
| Gamma, log: AIC | 4020,535201 | 4020,535201 | 4020,535201 | 4,5e−13 | ✓ |
| Gamma, log: BIC | 4033,728471 | 4033,728471 | 4033,728471 | 2,3e−12 | ✓ |
| Gamma, log: model F | 60,888150 | 60,888150 | 60,888150 | 7,9e−13 | ✓ |
| Gamma, log: \beta Sabit | 9,073036 | 9,073036 | 9,073036 | 3,2e−14 | ✓ |
| Gamma, log: SH Sabit | 0,082378 | 0,082378 | 0,082378 | 5,4e−16 | ✓ |
| Gamma, log: t Sabit | 110,138524 | 110,138524 | 110,138524 | 1,1e−12 | ✓ |
| Gamma, log: \beta age | 0,001019 | 0,001019 | 0,001019 | 5,6e−16 | ✓ |
| Gamma, log: SH age | 0,001109 | 0,001109 | 0,001109 | 8,0e−18 | ✓ |
| Gamma, log: t age | 0,919168 | 0,919168 | 0,919168 | 5,1e−13 | ✓ |
| Gamma, log: \beta admission_day | 0,110475 | 0,110475 | 0,110475 | 1,1e−15 | ✓ |
| Gamma, log: SH admission_day | 0,010121 | 0,010121 | 0,010121 | 6,4e−17 | ✓ |
| Gamma, log: t admission_day | 10,915256 | 10,915256 | 10,915256 | 8,2e−14 | ✓ |
| Gamma, log: p (t, sd 197) age | 0,359132 | 0,359132 | 0,359132 | 2,7e−13 | ✓ |
| Gamma, log: %95 Wald GA alt age | −0,001154 | −0,001154 | −0,001154 | 5,7e−16 | ✓ |
| Gamma, log: exp(β) age | 1,001020 | 1,001020 | 1,001020 | 6,7e−16 | ✓ |
| Gamma, log: %95 Wald GA alt admission_day | 0,090638 | 0,090638 | 0,090638 | 1,0e−15 | ✓ |
| Gamma, log: exp(β) admission_day | 1,116809 | 1,116809 | 1,116809 | 1,1e−15 | ✓ |
| Gamma, log: terim sapma farkı age | 0,071422 | 0,071422 | 0,071422 | 1,4e−14 | ✓ |
| Gamma, log: terim F age | 0,841288 | 0,841288 | 0,841288 | 1,7e−13 | ✓ |
| Gamma, log: terim sapma farkı admission_day | 10,276561 | 10,276561 | 10,276561 | 6,0e−14 | ✓ |
| Gamma, log: terim F admission_day | 121,048335 | 121,048335 | 121,048335 | 2,0e−12 | ✓ |
| Gamma, log: profil GA alt Sabit | 8,913112 | 8,913112 | 8,913113 | 8,3e−07 | ✓ (R ızgara, 10−4) |
| Gamma, log: profil GA üst Sabit | 9,234133 | 9,234133 | 9,234134 | 9,4e−07 | ✓ (R ızgara, 10−4) |
| Gamma, log: profil GA alt age | −0,001160 | −0,001160 | −0,001160 | 3,7e−09 | ✓ (R ızgara, 10−4) |
| Gamma, log: profil GA üst age | 0,003194 | 0,003194 | 0,003194 | 2,0e−09 | ✓ (R ızgara, 10−4) |
| Gamma, log: profil GA alt admission_day | 0,090417 | 0,090417 | 0,090417 | 1,3e−07 | ✓ (R ızgara, 10−4) |
| Gamma, log: profil GA üst admission_day | 0,130703 | 0,130703 | 0,130703 | 1,3e−07 | ✓ (R ızgara, 10−4) |
| Gamma, log: φ̂ (ML) | 0,129669 | 0,129669 | 0,129669 | 1,3e−09 | ✓ |
| Gamma, log: SH gözlenen bilgi + φ_ML Sabit | 0,101208 | 0,101208 | 0,101208 | 5,2e−10 | ✓ (sayısal Hessian, 10−5) |
| Gamma, log: SH gözlenen bilgi + φ_ML age | 0,001372 | 0,001372 | 0,001372 | 7,1e−12 | ✓ (sayısal Hessian, 10−5) |
| Gamma, log: SH gözlenen bilgi + φ_ML admission_day | 0,012701 | 0,012701 | 0,012701 | 6,6e−11 | ✓ (sayısal Hessian, 10−5) |
| Gamma, log: SH (φ = D/sd) admission_day | 0,012739 | 0,012739 | 0,012739 | 6,9e−18 | ✓ |
| Gamma, log: %99 GA alt admission_day (φ = D/sd) | 0,077663 | 0,077663 | 0,077663 | 1,1e−15 | ✓ |
| Gamma, log: sapma artığı en küçük | −1,760530 | −1,760530 | −1,760530 | 8,7e−15 | ✓ |
| Gamma, log: en büyük Cook D | 0,077924 | 0,077924 | 0,077924 | 1,2e−15 | ✓ |
| Gamma, log: en büyük Cook satırı (1 tabanlı) | 10 | 10 | 10 | 0,0e+00 | ✓ |
| Gamma, log: |std. sapma artığı| > 2 sayısı | 13 | 13 | 13 | 0,0e+00 | ✓ |
| Ters Gauss, log: φ̂ (Pearson) | 6,0155·10−6 | 6,0155·10−6 | 6,0155·10−6 | 1,2e−19 | ✓ |
| Ters Gauss, log: sapma D | 0,004012 | 0,004012 | 0,004012 | 1,7e−18 | ✓ |
| Ters Gauss, log: sıfır sapması D_0 | 0,004647 | 0,004647 | 0,004647 | 1,7e−18 | ✓ |
| Ters Gauss, log: ℓ (φ = D/n) | −2085,724166 | −2085,724166 | −2085,724166 | 3,6e−12 | ✓ |
| Ters Gauss, log: AIC | 4179,448332 | 4179,448332 | 4179,448332 | 3,6e−12 | ✓ |
| Ters Gauss, log: BIC | 4192,641602 | 4192,641602 | 4192,641602 | 1,8e−12 | ✓ |
| Ters Gauss, log: model F | 52,826177 | 52,826177 | 52,826177 | 1,0e−12 | ✓ |
| Ters Gauss, log: \beta Sabit | 9,075078 | 9,075078 | 9,075078 | 1,2e−13 | ✓ |
| Ters Gauss, log: SH Sabit | 0,086084 | 0,086084 | 0,086084 | 6,7e−16 | ✓ |
| Ters Gauss, log: t Sabit | 105,420987 | 105,420987 | 105,420987 | 6,0e−13 | ✓ |
| Ters Gauss, log: \beta age | 0,000671 | 0,000671 | 0,000671 | 1,8e−15 | ✓ |
| Ters Gauss, log: SH age | 0,001171 | 0,001171 | 0,001171 | 9,5e−18 | ✓ |
| Ters Gauss, log: t age | 0,573160 | 0,573160 | 0,573160 | 1,5e−12 | ✓ |
| Ters Gauss, log: \beta admission_day | 0,113998 | 0,113998 | 0,113998 | 5,1e−15 | ✓ |
| Ters Gauss, log: SH admission_day | 0,011424 | 0,011424 | 0,011424 | 1,3e−16 | ✓ |
| Ters Gauss, log: t admission_day | 9,979260 | 9,979260 | 9,979260 | 5,7e−13 | ✓ |
| Ters Gauss, log: p (t, sd 197) age | 0,567190 | 0,567190 | 0,567190 | 1,0e−12 | ✓ |
| Ters Gauss, log: φ̂ (ML) = D/n | 2,0058·10−5 | 2,0058·10−5 | 2,0058·10−5 | 5,6e−14 | ✓ |
| Ters Gauss, 1/μ²: φ̂ (Pearson) | 5,9792·10−6 | 5,9792·10−6 | 5,9792·10−6 | 3,0e−20 | ✓ |
| Ters Gauss, 1/μ²: sapma D | 0,004115 | 0,004115 | 0,004115 | 4,3e−18 | ✓ |
| Ters Gauss, 1/μ²: sıfır sapması D_0 | 0,004647 | 0,004647 | 0,004647 | 1,7e−18 | ✓ |
| Ters Gauss, 1/μ²: ℓ (φ = D/n) | −2088,257810 | −2088,257810 | −2088,257810 | 3,2e−12 | ✓ |
| Ters Gauss, 1/μ²: AIC | 4184,515620 | 4184,515620 | 4184,515620 | 6,4e−12 | ✓ |
| Ters Gauss, 1/μ²: BIC | 4197,708890 | 4197,708890 | 4197,708890 | 4,5e−12 | ✓ |
| Ters Gauss, 1/μ²: model F | 44,539239 | 44,539239 | 44,539239 | 2,2e−13 | ✓ |
| Ters Gauss, 1/μ²: \beta Sabit | 7,1066·10−9 | 7,1066·10−9 | 7,1066·10−9 | 6,4e−15 (göreli) | ✓ |
| Ters Gauss, 1/μ²: SH Sabit | 4,7907·10−10 | 4,7907·10−10 | 4,7907·10−10 | 2,2e−14 (göreli) | ✓ |
| Ters Gauss, 1/μ²: t Sabit | 14,834055 | 14,834055 | 14,834055 | 2,4e−13 | ✓ |
| Ters Gauss, 1/μ²: \beta age | −2,7929·10−12 | −2,7929·10−12 | −2,7929·10−12 | 4,6e−13 (göreli) | ✓ |
| Ters Gauss, 1/μ²: SH age | 7,9855·10−12 | 7,9855·10−12 | 7,9855·10−12 | 2,6e−15 (göreli) | ✓ |
| Ters Gauss, 1/μ²: t age | −0,349742 | −0,349742 | −0,349742 | 1,6e−13 | ✓ |
| Ters Gauss, 1/μ²: \beta admission_day | −5,6223·10−10 | −5,6223·10−10 | −5,6223·10−10 | 6,4e−15 (göreli) | ✓ |
| Ters Gauss, 1/μ²: SH admission_day | 4,1997·10−11 | 4,1997·10−11 | 4,1997·10−11 | 2,3e−14 (göreli) | ✓ |
| Ters Gauss, 1/μ²: t admission_day | −13,387459 | −13,387459 | −13,387459 | 3,9e−13 | ✓ |
| Ters Gauss, 1/μ²: p (t, sd 197) age | 0,726906 | 0,726906 | 0,726906 | 1,2e−13 | ✓ |
Tweedie:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Tweedie p = 1,5: φ̂ (Pearson) | 29,262855 | 29,262855 | 29,262855 | 1,0e−12 | ✓ |
| Tweedie p = 1,5: sapma D | 8222,532657 | 8222,532657 | 8222,532657 | 1,8e−12 | ✓ |
| Tweedie p = 1,5: sıfır sapması D_0 | 11878,334141 | 11878,334141 | 11878,334141 | 3,5e−11 | ✓ |
| Tweedie p = 1,5: ℓ (φ = D/n) | −1467,772794 | −1467,772794 | −1467,772794 | 6,2e−11 | ✓ |
| Tweedie p = 1,5: AIC | 2943,545588 | 2943,545588 | 2943,545588 | 1,1e−10 | ✓ |
| Tweedie p = 1,5: BIC | 2956,738858 | 2956,738858 | 2956,738858 | 1,1e−10 | ✓ |
| Tweedie p = 1,5: model F | 62,464881 | 62,464881 | 62,464881 | 2,2e−12 | ✓ |
| Tweedie p = 1,5: \beta Sabit | 5,944649 | 5,944649 | 5,944649 | 2,7e−14 | ✓ |
| Tweedie p = 1,5: SH Sabit | 0,159615 | 0,159615 | 0,159615 | 3,1e−15 | ✓ |
| Tweedie p = 1,5: t Sabit | 37,243639 | 37,243639 | 37,243639 | 8,9e−13 | ✓ |
| Tweedie p = 1,5: \beta admission_day | 0,352628 | 0,352628 | 0,352628 | 8,4e−15 | ✓ |
| Tweedie p = 1,5: SH admission_day | 0,032429 | 0,032429 | 0,032429 | 6,4e−16 | ✓ |
| Tweedie p = 1,5: t admission_day | 10,873769 | 10,873769 | 10,873769 | 1,7e−13 | ✓ |
| Tweedie p = 1,5: \beta insurance_present | 0,565188 | 0,565188 | 0,565188 | 1,8e−14 | ✓ |
| Tweedie p = 1,5: SH insurance_present | 0,135354 | 0,135354 | 0,135354 | 2,3e−15 | ✓ |
| Tweedie p = 1,5: t insurance_present | 4,175636 | 4,175636 | 4,175636 | 2,0e−13 | ✓ |
| Tweedie p = 1,5: p (t, sd 197) admission_day | 7,1194·10−22 | 7,1194·10−22 | 7,1194·10−22 | 9,4e−34 | ✓ |
| Tweedie p = 1,5: φ̂ (ML) | 39,303820 | 39,303820 | 39,303820 | 3,7e−07 | ✓ (φ en iyileme, 10−5) |
| Tweedie: \hat p (profil) | 1,311825 | 1,311825 | 1,311825 | 1,1e−08 | ✓ (p en iyileme, 10−5) |
| Tweedie: profil ℓ(\hat p) | −1455,211586 | −1455,211586 | −1455,211586 | 5,4e−09 | ✓ |
| Tweedie: p %95 GA alt | 1,251992 | 1,251992 | 1,251992 | 1,6e−08 | ✓ (kök, 10−5) |
| Tweedie: p %95 GA üst | 1,380894 | 1,380894 | 1,380894 | 1,0e−10 | ✓ (kök, 10−5) |
| Tweedie: φ̂ (ML, \hat p) | 121,668128 | 121,668130 | 121,668130 | 1,8e−06 | ✓ (φ en iyileme, 10−5) |
| Tweedie \hat p: φ̂ (Pearson) | 111,201397 | 111,201406 | 111,201406 | 8,9e−06 | ✓ |
| Tweedie \hat p: sapma D | 26651,021943 | 26651,023835 | 26651,023875 | 1,9e−03 | ✓ |
| Tweedie \hat p: sıfır sapması D_0 | 41351,412444 | 41351,415526 | 41351,415590 | 3,1e−03 | ✓ |
| Tweedie \hat p: ℓ (φ = D/n) | −1455,821274 | −1455,821274 | −1455,821274 | 9,3e−08 | ✓ |
| Tweedie \hat p: AIC | 2919,642547 | 2919,642547 | 2919,642547 | 1,9e−07 | ✓ |
| Tweedie \hat p: BIC | 2932,835817 | 2932,835817 | 2932,835817 | 1,9e−07 | ✓ |
| Tweedie \hat p: model F | 66,098048 | 66,098048 | 66,098048 | 2,0e−07 | ✓ |
| Tweedie \hat p: \beta Sabit | 6,046484 | 6,046484 | 6,046484 | 5,6e−09 | ✓ |
| Tweedie \hat p: SH Sabit | 0,155901 | 0,155901 | 0,155901 | 2,0e−10 | ✓ |
| Tweedie \hat p: t Sabit | 38,784018 | 38,784018 | 38,784018 | 8,5e−08 | ✓ |
| Tweedie \hat p: \beta admission_day | 0,331864 | 0,331864 | 0,331864 | 1,1e−09 | ✓ |
| Tweedie \hat p: SH admission_day | 0,030211 | 0,030211 | 0,030211 | 1,2e−10 | ✓ |
| Tweedie \hat p: t admission_day | 10,985011 | 10,985011 | 10,985011 | 6,3e−09 | ✓ |
| Tweedie \hat p: \beta insurance_present | 0,531544 | 0,531544 | 0,531544 | 1,8e−09 | ✓ |
| Tweedie \hat p: SH insurance_present | 0,131724 | 0,131724 | 0,131724 | 1,9e−10 | ✓ |
| Tweedie \hat p: t insurance_present | 4,035286 | 4,035286 | 4,035286 | 7,9e−09 | ✓ |
| Tweedie \hat p: p (t, sd 197) admission_day | 3,3194·10−22 | 3,3194·10−22 | 3,3194·10−22 | 1,4e−29 | ✓ |
Profil GA'da R ızgara yaklaşımı nedeniyle 10^{-4} ölçütü kullanılmıştır; MerQur ile Python'un doğrudan kökleri 10^{-10} düzeyinde aynıdır. Gözlenen bilgi SH'leri R'de sayısal Hessian'la (10^{-5}), Tweedie \hat p ve \hat\varphi_{ML} tek boyutlu en iyileme toleransıyla (10^{-5}) karşılaştırılmıştır.
48.7 Çıktıyı okuma
Sonuç metni (log bağlantılı Gamma, kısaltılmış):
Gamma GLM — Log
N (gözlem) = 200
Parametre sayısı = 3
df (artık) = 197
Ölçek (yayılım) φ̂ = 0.0848963 (Pearson χ²/sd (varsayılan))
Bilgi matrisi = Beklenen (Fisher; varsayılan)
Ölçek, en çok olabilirlik (bilgi) = 0.129669
Pearson χ² = 16.724579
Sapma = 26.493272
Sıfır modeli sapması = 36.831634 (sd = 199)
Log-olabilirlik = -2006.2676
AIC = 4020.5352
BIC = 4033.7285
Yineleme sayısı = 4
Katsayılar (test: t, sd = 197; GA: %95 GA, Wald (varsayılan))
Değişken Katsayı SE t p GA alt GA üst exp(β) ...
(Sabit) 9.07304 0.0823784 110.1385 <0.0001 8.91158 9.23449 —
age 0.00101906 0.00110868 0.9192 0.3591 -0.00115391 0.00319204 1.0010
admission_day 0.110475 0.0101212 10.9153 <0.0001 0.0906381 0.130312 1.1168
Model karşılaştırması (sıfır modeline karşı; φ̂ ile ölçekli)
F(2, 197) = 60.8881, p <0.0001; LR χ²(2) = 121.7763, p <0.0001 (Sapma farkı = 10.338362)
Artık tanıları
Sapma artıkları: en küçük -1.7605, Ç1 -0.1708, ortanca 0.0029, Ç3 0.1619, en büyük 0.7400
|Standartlaştırılmış sapma artığı| > 2: 13 gözlem; > 3: 6 gözlem
En büyük Cook uzaklığı = 0.0779 (satır 10); Cook > 4/n: 8 gözlem
Tablo sekmesi: Değişken, Katsayı, SE, t (ya da z), p, GA alt/üst; log bağlantıda ayrıca exp(β) ve GA'sı (sabit için boş).
| Öğe | Nasıl yorumlanır |
|---|---|
| Başlık satırı | Aile ve çözülmüş bağlantı ("Gamma GLM — Ters (1/μ)" varsayılanda). Katsayıların ölçeği bağlantıya bağlıdır. |
| exp(β) | Log bağlantıda çarpımsal etki: admission_day 1,117 → her gün ortalama maliyet %11,7 artar. Ters bağlantıda exp(β) yazılmaz; katsayı 1/μ ölçeğindedir ve negatif işaret artış demektir. |
| φ̂ | Seçilen ölçek; SH'ler \sqrt{\hat\varphi} ile orantılı. Gamma'da \sqrt{\hat\varphi} ≈ değişkenlik katsayısı. |
| "Ölçek, en çok olabilirlik (bilgi)" | Seçilen ölçek ne olursa olsun ML ölçeği bilgi olarak yazılır. |
| Log-olabilirlik / AIC | \tilde\varphi=D/n ile; aileler ve bağlantılar arası karşılaştırma için (aynı yanıt). |
| F ve LR χ² | Sıfır modeline karşı; ölçekli. Küçük örneklemde F'yi tercih edin. |
| Terim testleri | Terim çıkarılınca sapma artışı; marjinallik ilkesi uygulanır. "†" yakınsamayan indirgenmiş model. |
| Artık tanıları | Standartlaştırılmış artıklar ve Cook; satır numarası 1 tabanlı. |
| Tweedie p satırı | Sabit ya da profil \hat p ve GA'sı; sınırda ise uyarı. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
Toplam hastane maliyetini yordamak için yaş ve yatış süresini içeren log bağlantılı Gamma genelleştirilmiş doğrusal modeli kuruldu (n = 200; ölçek Pearson yöntemiyle kestirildi, \hat\varphi = 0{,}085). Model sıfır modelinden anlamlı biçimde iyiydi, F(2, 197) = 60{,}89, p < 0{,}001. Yaş denetlendiğinde her ek yatış günü ortalama maliyeti %11,7 artırdı (exp(β) = 1,117; %95 GA [1,095; 1,139]; t(197) = 10{,}92; p < 0{,}001); yaşın etkisi anlamlı değildi (exp(β) = 1,001; %95 GA [0,999; 1,003]; p = 0{,}359). Grup ortalama–varyans ilişkisi Gamma varyans fonksiyonunu desteklemediğinden sonuçlar sabit varyanslı doğrusal modelle karşılaştırıldı.
48.8 Uzman soruları
S1. MerQur'un Gamma kestirimi R `glm` ile neden 14. basamağa kadar aynı?
stats/glm_irls.py, R glm.fit'in adımlarını birebir uygular: aynı başlangıç (\mu_0=y), aynı durma ölçütü (|\Delta D|/(|D|+0{,}1)<10^{-8}), aynı adım yarılama ve ölçeksiz kovaryansın son WLS adımının QR'ından alınması. Pearson ölçeği de R summary.glm gibi son adım ağırlıklarıyla hesaplanır. Bu nedenle SH ve \hat\varphi yakınsamış \hat\mu'den hesaplanan "kuramsal" değerden tolerans düzeyinde (10^{-7} göreli) farklı olabilir, ama R ile aynıdır.
S2. Gamma SH'leri ölçek ve bilgi matrisi seçimine göre neden değişiyor?
Ölçek ML ile kestirilip kanonik olmayan bağlantıda gözlenen bilgi (Hessian) kullanıldığında SH'ler varsayılandan farklıdır. MerQur'da "Ölçek: ML", "Bilgi matrisi: gözlenen" ve "z" seçilince bu SH'ler elde edilir (bu veride admission_day SH 0,012701; varsayılan 0,010121). Katsayılar tüm seçeneklerde aynıdır.
S3. Wald GA neden t değil z ile kuruluyor?
R confint.default gibi; arayüz ipucu metni bunu yazar. t testi seçiliyken p değeri t_{n-k}'dan, GA standart normalden gelir. n-k küçükse sınırda bir katsayıda p biraz 0,05'in üstündeyken GA 0'ı dışlayabilir. Profil GA da z^2 ile kurulur (R confint.glm). Küçük örneklemde tutarlılık istenirse z testi seçilebilir.
S4. Tweedie'de p neden AIC'de parametre sayılmıyor? SH'ler p'nin belirsizliğini içeriyor mu?
MerQur R tweedie paketinin tanımını izler: \hat p ile kurulan model p'yi bilinen sayar; AIC'ye k+1 (katsayılar + ölçek) girer ve katsayı SH'leri p ve \varphi sabitken verilir. p'nin belirsizliği yalnız kendi profil GA'sında görünür. (\boldsymbol\beta,\varphi,p) ortak Hessian'ını kullanan yazılımlar daha büyük SH verebilir; katsayılar ve \hat p aynıdır.
S5. Bu veride Gamma neden uygun değil? Nasıl anlaşılır?
Gamma \operatorname{Var}\propto\mu^2 der. Yatış günü gruplarında ortalama 2,25 kat artarken varyans artmamaktadır (log–log eğimi −0,45; Şekil 48.1). Ayrıca sabit varyanslı normal modelin AIC'si (3931,3) Gamma'nınkinden (4020,5) 89 puan küçüktür ve en büyük standartlaştırılmış artıklar en düşük maliyetlerde toplanır. Aile seçimi, varyans–ortalama ilişkisi ve AIC ile birlikte yapılmalıdır; çarpıklık tek başına yeterli gerekçe değildir.
S6. Kanonik ters bağlantıda model kurulamadı; ne oldu?
Ters bağlantıda \mu=1/\eta'dır; IRLS bir adımda \eta\le0 üretirse \mu negatif ya da sonsuz olur. Kod R gibi önce adımı yarılar; yine geçerli nokta bulamazsa "Model kurulamadı (… bağlantı) … log bağlantıyı deneyin" hatası verir (glm_positive.py:131–139). Log bağlantıda \mu=e^\eta her zaman pozitif olduğundan bu sorun çıkmaz.
S7. R'de `drop1(test = "F")` farklı F veriyor; hangisi doğru?
İkisi farklı ölçek kullanır. MerQur ve R anova(..., test = "F") paydada Pearson \hat\varphi kullanır (F=121{,}05); drop1 sapma/sd kullanır (F=76{,}41). MerQur'da "Ölçek: Sapma/sd" seçilirse drop1 sayısı elde edilir. Hangisinin kullanıldığı raporda belirtilmelidir.
S8. Tweedie p sınıra (1 ya da 2) yakın çıkarsa ne demek?
p\to1 veri Poisson'a (sayım benzeri, ölçekli), p\to2 Gamma'ya yaklaşıyor demektir. MerQur p'yi 1,001–1,999 aralığında arar; \hat p sınıra 0,001'den yakınsa ya da GA'nın bir ucu açık kalırsa uyarı verir. Yanıtta hiç sıfır yoksa ve \hat p\to2 ise Gamma ailesi daha uygundur.
48.9 Sık hatalar ve tuzaklar
- Varsayılan bağlantıyı log sanmak. Gamma ve ters Gauss'ta varsayılan kanonik bağlantıdır (1/μ, 1/μ²); katsayılar ters ölçektedir, exp(β) verilmez. Çarpımsal yorum için "Log" seçilmelidir.
- Ters bağlantıda işareti yanlış okumak. Ters bağlantıda negatif katsayı, ortalamanın arttığı anlamına gelir (bu veride
admission_day−5,81·10⁻⁶). - Aileyi yalnız çarpıklığa göre seçmek. Varyans–ortalama ilişkisi denetlenmelidir; bu veride Gamma AIC'si normal modelden kötüdür.
- Farklı yanıtların AIC'lerini karşılaştırmak. AIC yalnız aynı y için karşılaştırılabilir; \ln y modeliyle doğrudan kıyaslanmaz (Jakobiyen gerekir).
- Ölçek seçimini raporlamamak. Pearson, sapma ve ML ölçeği SH'leri %26'ya varan oranda değiştirebilir (Adım 6).
- Tweedie'yi sıfırsız veride kullanmak. Sıfır yoksa Tweedie \hat p çoğu zaman 2'ye gider; Gamma daha yalındır.
- Tweedie AIC'sinde p'yi saymamak. Sabit p ile profil \hat p modellerini AIC ile kıyaslarken profil modelin bir ek kestirim içerdiği akılda tutulmalıdır.
- Q-Q grafiğini normallik testi gibi okumak. GLM'de standartlaştırılmış sapma artıkları yalnız yaklaşık normaldir; özellikle küçük \varphi ve uç değerlerde kuyruk sapmaları beklenir.
48.10 Kaynaklar
- Dunn, P. K., & Smyth, G. K. (2005). Series evaluation of Tweedie exponential dispersion model densities. Statistics and Computing, 15(4), 267–280. https://doi.org/10.1007/s11222-005-4070-y
- Dunn, P. K., & Smyth, G. K. (2018). Generalized linear models with examples in R. Springer. https://doi.org/10.1007/978-1-4419-0118-7
- Jørgensen, B. (1987). Exponential dispersion models. Journal of the Royal Statistical Society: Series B (Methodological), 49(2), 127–145. https://doi.org/10.1111/j.2517-6161.1987.tb01685.x
- Manning, W. G., & Mullahy, J. (2001). Estimating log models: To transform or not to transform? Journal of Health Economics, 20(4), 461–494. https://doi.org/10.1016/S0167-6296(01)00086-8
- McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2. baskı). Chapman and Hall. https://doi.org/10.1007/978-1-4899-3242-6
- Nelder, J. A., & Wedderburn, R. W. M. (1972). Generalized linear models. Journal of the Royal Statistical Society. Series A (General), 135(3), 370–384. https://doi.org/10.2307/2344614
- Smyth, G. K., & Jørgensen, B. (2002). Fitting Tweedie's compound Poisson model to insurance claims data: Dispersion modelling. ASTIN Bulletin, 32(1), 143–157. https://doi.org/10.2143/AST.32.1.1020
- Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4. baskı). Springer. https://doi.org/10.1007/978-0-387-21706-2
- Venzon, D. J., & Moolgavkar, S. H. (1988). A method for computing profile-likelihood-based confidence intervals. Applied Statistics, 37(1), 87–94. https://doi.org/10.2307/2347496