57. Genelleştirilmiş Tahmin Denklemleri (GEE)
Analiz kimliği: gee · Menü adı: GEE (Genelleştirilmiş Tahmin Denklemleri) · Panel ve motor: gui/panels/analyses/gee.py (form 209–377, read_options 380–402, korelasyon kestiricileri 476–601, execute 646–1151, EMM 1154–1209, metin 1288–1463, grafik 1468–1528, tablo 1542–1581) · Kestirim çekirdeği: statsmodels GEE.fit (Fisher skorlaması, ctol = 1e-6, en çok 60 yineleme); çağıran stats_panel.py:6853–6906
57.1 Ne işe yarar
GEE, aynı birimden (hasta, okul, aile, parsel) tekrarlı alınmış ya da bir kümede toplanmış ölçümlerde, açıklayıcıların ortalama yanıt üzerindeki etkisini kestirir. Kestirilen etki popülasyon ortalamasıdır (marjinal etki): "Standart tedavi alan hastaların ortalama HbA1c'si yoğun tedaviye göre ne kadar yüksek?" sorusunu cevaplar. Tek tek hastanın kendi eğrisi modellenmez; küme içi ilişki bir çalışma korelasyonu ile hesaba katılır ve standart hatalar, bu korelasyon yanlış seçilse bile geçerli kalan sandviç kestiriciyle düzeltilir.
- i=1,\dots,K: küme (bu bölümde hasta); j=1,\dots,n_i: küme içindeki ölçüm (vizit).
- \mu_{ij}: ölçümün marjinal ortalaması, yani kümeye özgü bir rastgele etkiye koşullu değil, aynı \mathbf x'e sahip tüm kümelerin ortalaması.
- g: bağlantı fonksiyonu (Gauss'ta özdeşlik, Poisson'da log, binomda logit); V(\mu): ailenin varyans fonksiyonu; \varphi: ölçek (yayılım) parametresi.
- R(\boldsymbol\alpha): n_i\times n_i çalışma korelasyon matrisi; yapısı kullanıcı seçer (bağımsız, exchangeable, AR(1), yapısız, m-bağımlı), \boldsymbol\alpha veriden moment yöntemiyle kestirilir.
- Model yalnız ilk iki momenti tanımlar; tam bir olasılık dağılımı varsayılmaz. Bu nedenle olabilirlik, AIC ya da LR testi yoktur; yerlerine yarı-olabilirlik ölçütü QIC ve Wald testleri kullanılır.
Neden "tahmin denklemi" ve neden marjinal?
Liang ve Zeger (1986), GLM'in skor denklemini kümeli veriye taşıdı: \boldsymbol\beta, her kümenin katkısını çalışma kovaryansının tersiyle ağırlıklandıran bir denklemin köküdür. Bu denklemin kökü, yalnız ortalama modeli doğruysa tutarlıdır; korelasyon yapısının doğru olması gerekmez. Bedel, verimliliktir: korelasyon ne kadar doğru seçilirse standart hata o kadar küçük olur. Kestirilen \boldsymbol\beta marjinaldir; log ve logit bağlantıda, aynı veride kurulan GLMM'nin kümeye özgü (koşullu) katsayılarından mutlak değerce küçüktür (Neuhaus vd. 1991). Özdeşlik bağlantıda iki yaklaşımın sabit etkileri aynı şeyi ölçer.
Ne zaman kullanılır?
- Tekrarlı ölçüm ya da kümeli veride amaç ortalama etkiyse (halk sağlığı, klinik deneyin birincil sonucu, politika etkisi).
- Yanıt sürekli, ikili, sayım ya da pozitif sürekli olabilir; aynı çerçeve beş aileyi kapsar.
- Küme içi korelasyonun biçimi bilinmiyorsa ya da ilgi dışıysa: sandviç SH bu belirsizliğe karşı dayanıklıdır.
Ne zaman kullanılmaz?
- Amaç bireye özgü etki, kümeler arası varyansın kendisi ya da tek tek kümelerin tahminiyse: GLMM (Bölüm 58) ya da sürekli yanıtta LMM (Bölüm 54).
- Küme sayısı çok azsa (< 10–20): sandviç SH güvenilmez; en azından Mancl-DeRouen düzeltmesi, daha iyisi karma model.
- Eksik veri rastgele değilse (MAR, MCAR değil): ağırlıklandırılmamış GEE yanlıdır; olabilirlik tabanlı LMM/GLMM MAR altında geçerlidir.
- Varyans bileşenlerinin ayrıştırılması isteniyorsa: VARCOMP (Bölüm 100).
- Kümeleme yoksa: sıradan GLM (Bölüm 45–48).
Sık karıştırılan analizler. GEE ile GLMM aynı veride farklı soruları cevaplar. GEE "ortalama hastada fark" der; GLMM "aynı hasta tedavi değiştirseydi fark" der. Doğrusal (özdeşlik) modelde katsayılar aynı anlamdadır ve exchangeable GEE ile rastgele kesişimli LMM'nin sabit etkileri dengeli veride çakışır; lojistik ve Poisson modelde çakışmaz. Tekrarlı ölçüm ANOVA'sı (Bölüm 10) küre biçimlilik varsayımına dayanır ve eksik vizitli hastayı tümden atar; GEE eksik vizitli hastayı kalan ölçümleriyle kullanır.
57.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Ortalama modeli doğru | g(\mu)=\mathbf x^{\top}\boldsymbol\beta doğru yazılmış. | Denetlenmez. |
| Kümeler bağımsız | Farklı hastaların ölçümleri ilişkisiz. | Denetlenmez; küme değişkeni doğru seçilmeli. |
| Yeterli küme | Sandviç SH büyük K asimptotiğine dayanır. | K<2 hata (gee.py:796–799); K<5 uyarı (986–987). |
| Aileyle uyumlu yanıt | Binom 0/1; Gamma pozitif; NB negatif olmayan. | İhlalde hata (755–765). |
| Eksik veri MCAR | Ağırlıksız GEE'nin geçerlilik koşulu. | Denetlenmez. |
| Zaman sırası (AR(1), yapısız, m-bağımlı) | Küme içi ölçümlerin sırası anlamlı. | Zaman değişkeni yoksa AR(1)'de uyarı (951–952); küme içinde yinelenen zaman uyarısı (953–957). |
| Geçerli çalışma korelasyonu | R pozitif tanımlı. | Yapısız ve m-bağımlıda en küçük özdeğer denetlenir, uyarı (958–985). |
Eksik değer. Yanıt, küme, açıklayıcılar, zaman ve offset sütunlarında liste bazında silme (gee.py:762–779, stats/missing_rows.drop_missing_rows). Bir hastanın bir vizitinde eksik varsa yalnız o satır atılır, hastanın öteki vizitleri kalır; küme boyutları eşitsizleşir. Atılan satır sayısı sonuç metninin "Örneklem" bölümüne yazılır.
Sıralama. Satırlar küme ve (varsa) zaman değişkenine göre kararlı biçimde sıralanır (gee.py:786–787). Zaman değişkeni yoksa küme içi sıra dosyadaki satır sırasıdır; exchangeable ve bağımsız yapıda bu önemsizdir, AR(1) ve yapısızda sonucu değiştirir.
Zaman değişkeninin dönüştürülmesi. Metin ya da tarih biçimli zaman sütunu sıralı sayısal koda çevrilir (_time_to_numeric, 560–597): sayısal ise olduğu gibi; tarihse ilk tarihten gün farkı; "T1, T2" gibi metinden ayıklanan sayı düzeyleri ayırt ediyorsa o sayı; aksi halde ilk görülme sırası. AR(1), yapısız ve m-bağımlı yapıda statsmodels'a giden zaman indeksi bu kodun yoğun sıra numarasıdır (0, 1, 2, …; pd.factorize(sort=True), 812–816); dolayısıyla vizit 1, 2, 4 ölçülmüş bir hastada 2 ile 4 arasındaki uzaklık 1 değil 2'dir, çünkü sıra numarası tüm verideki zaman düzeylerinden alınır.
Uç durumlar.
- N<30 gözlemde hata (
gee.py:791–792). - Kestirilen katsayılardan biri sonlu değilse (ör. sabit yanıt + log bağlantı) hata (844–845).
- Seçilen bağlantı aileye uygun değilse hata ve izinli bağlantıların listesi (707–709; izinliler
LINKS, 61–67). - Binomda olay oranı %5'in altında ya da %95'in üstündeyse uyarı (992–999).
- Gözlem/açıklayıcı oranı 10'un altındaysa uyarı (988–991).
- statsmodels yakınsamazsa uyarı; yapılandırılmamış korelasyon matrisi geçersizse (|r|>1 ya da pozitif tanımlı değil) uyarı, düzeltme yapılmaz (972–985).
57.3 Parametreler
Varsayılanlar gee.py:209–377 (form) ve 380–402'den (read_options) okunmuştur; aile ve korelasyon yapısının varsayılanı çağırandadır (stats_panel.py:6869–6870).
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı değişken | ilk sayısal sütun | Yanıt; sayısala çevrilir. | Aile denetimleri. |
| Bağımsız değişkenler | en az 1 | Açıklayıcılar; metin sütunları gösterge (kukla) kodlanır. Referans düzeyi verilmezse MerQur'un ortak düzey sırasının ilk düzeyidir (sayısal/doğal sıra, aksi hâlde verideki ilk görülme sırası); kullanılan referanslar çıktıda yazılır. | Tasarım matrisi. |
| Grup (cluster) değişkeni | ilk sütun | Küme kimliği. | Korelasyonun kurulduğu birim; sandviç SH'nin toplama birimi. |
| Aile | Gauss (sürekli) | Gauss, Binom (ikili), Poisson (sayım), Gamma (pozitif sürekli), Negatif binom (k = 1). | Varyans fonksiyonu, kanonik bağlantı. |
| Korelasyon yapısı | Değiştirilebilir (exchangeable) | Bağımsız, AR(1), Yapılandırılmamış, M-bağımlı (durağan). | R(\boldsymbol\alpha); \hat{\boldsymbol\beta} ve SH. |
| Zaman / sıra değişkeni | Yok | Küme içi sıra ve uzaklık. | Yalnız AR(1), yapısız, m-bağımlıda kullanılır; başka yapıda seçilirse ayar bloğuna "kullanılmadı" kaydı düşer (703–705). |
| M-bağımlı gecikme (m) | 1 | 1–10. | Yalnız m-bağımlı yapıda (700–702). |
| Bağ fonksiyonu | Kanonik (varsayılan) | identity, log, logit, probit, cloglog, inverse. | Katsayının ölçeği; aileyle uyumsuzsa hata. |
| Denge terimi (offset, log-maruziyet) | Yok | Doğrusal yordayıcıya katsayısız eklenir. | Sayımda hız modeli. |
| Standart hata | Sağlam (sandviç, varsayılan) | Model tabanlı (naive) ya da Sağlam + Mancl-DeRouen. | SH, z, p, GA, Wald \chi^2, EMM; \hat{\boldsymbol\beta} aynı. |
| Kestirilen marjinal ortalama (EMM) faktörü | Yok | Bir kategorik açıklayıcının düzey ortalamaları ve ikili farklar. | Ek bölüm. |
| EMM p düzeltmesi | Bonferroni | Šidák, Holm, Tukey, Yok. | Yalnız ikili karşılaştırmaların p'si. |
| EMM ikinci faktör | Yok | İki faktörlü EMM ve basit etkiler. | Ek bölüm ve çizgi grafiği. |
| Güven Düzeyi | %95 | %90, %95, %99 ya da özel. | z_{1-\alpha/2}, GA, anlamlılık yıldızı. |
| Tahmin ve artıkları veri setine kaydet | kapalı | MEANPRED_GEE, XBPRED_GEE, PEARSONRESID_GEE sütunları. | Veri sekmesine eklenir. |
| Referans düzeyleri, düzey sırası, iki yönlü etkileşim, özel kontrast | boş | LMM bölümündeki ortak alanlar (bkz. 54.3). | Kodlama, EMM sırası, model terimleri, \mathbf L\boldsymbol\beta testi. |
Neden üç ayrı standart hata?
\hat{\boldsymbol\beta} seçimden etkilenmez; yalnız kovaryans değişir. Model tabanlı SH, çalışma korelasyonunun doğru olduğunu varsayar ve onu kullanarak hesaplanır; yanlış korelasyonla tutarsızdır. Sağlam (sandviç) SH, kümelerin gözlenen skor katkılarının dış çarpımını kullanır ve korelasyon yanlış olsa da tutarlıdır; ama K küçükse aşağı yanlıdır. Mancl-DeRouen düzeltmesi bu yanlılığı her kümenin kaldıraç matrisiyle büyütür. Bu veride (60 küme) treatment için üçü 0,1360, 0,1384 ve 0,1434'tür (57.6, Adım 6).
Koddaki tercih: Negatif binom ailesinde k = 1 sabit
"Negatif binom (k = 1)" ailesi statsmodels NegativeBinomial(alpha=1.0) ile kurulur (gee.py:717): \operatorname{Var}(Y)=\mu+\mu^2; k veriden kestirilmez. Aşırı yayılımın gerçek düzeyi farklıysa model tabanlı SH yanlış ölçeklenir; sağlam SH yine geçerlidir. k'nin kestirilmesi gerekiyorsa GLMM'deki NB2 (Bölüm 58) ya da sayım regresyonu (Bölüm 47) kullanılır.
57.4 Tıp örneği
Dosya: english/datasets/Tip/55_gee_HbA1c_treatment.xlsx (Türkçe kopya: samples/Tum_Analiz_Tip/55_gee_HbA1c_tedavi.xlsx). Video betiği #55 yanıt olarak HbA1c, açıklayıcı olarak visit, küme olarak patient_id önerir; tedavi kolu aynı dosyada olduğu için ana yürüyüşe treatment da eklenmiştir.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
HbA1c |
Bağımlı | sürekli (%) | ort. 7,81; SS 0,68; 6,35–9,59; vizit ortalaması 8,01'den 7,62'ye iner; kol ortalamaları yoğun 7,52, standart 8,16 |
visit |
Açıklayıcı ve zaman | sayısal, 1–5 | her hastada 5 vizit |
treatment |
Açıklayıcı | metin: dense, standard |
33 yoğun, 27 standart hasta; hasta içinde sabit |
patient_id |
Küme | tam sayı | 60 hasta |
n ve eksik değer: 300 satır, 60 küme × 5 vizit, eksik değer yok. Tasarım dengelidir: her hasta aynı vizitlerde ölçülmüş ve tedavi hasta düzeyinde sabittir.
Klinik soru: İzlem boyunca HbA1c'de ortalama bir düşüş var mı ve standart tedavi alanların ortalaması yoğun tedaviye göre ne kadar yüksek?
Seçilen ayarlar: Arayüz varsayılanları (Gauss, exchangeable, sağlam SH, %95). Ek çalıştırmalar: model tabanlı ve Mancl-DeRouen SH; bağımsız, AR(1) ve yapısız korelasyon (zaman = visit); treatment için EMM.
Sayım örneği (Poisson GEE): 56_glmm_side_effect.xlsx (Tıp #56, GLMM dosyası): side_effect_count ~ time_month + new_drug, küme patient_id; 40 hasta × 4 ay = 160 satır, 10 sıfır. Bu dosya, Bölüm 58'de aynı veriyle kurulan GLMM ile karşılaştırma içindir.
57.5 Formüller ve hesap adımları
MerQur'un hesap sırası: (1) gerekli sütunlar, liste bazında silme, küme–zaman sıralaması; (2) patsy formülü (HbA1c ~ visit + treatment; kategorikler önce sütunlanır); (3) statsmodels smf.gee modeli; korelasyon kestiricisi AR(1), yapısız ve m-bağımlıda MerQur'un kendi sınıfıyla değiştirilir; (4) GLM başlangıcı ve Fisher skorlamasıyla \boldsymbol\beta ↔ \boldsymbol\alpha yinelemesi; (5) seçilen kovaryans (sağlam, model tabanlı, Mancl-DeRouen); (6) Wald z, GA, terim başına Wald \chi^2; (7) Pan QIC ve QICu; (8) istenirse EMM, kontrast, kayıt.
57.5.1 Tahmin denklemi ve Fisher skorlaması
- \mathbf y_i,\boldsymbol\mu_i: i. kümenin n_i boyutlu yanıt ve ortalama vektörü; \mathbf X_i: n_i\times p tasarım matrisi.
- \mathbf A_i=\operatorname{diag}\{V(\mu_{i1}),\dots,V(\mu_{in_i})\}: varyans fonksiyonlarının köşegen matrisi. Gauss'ta \mathbf I, Poisson'da \operatorname{diag}(\mu).
- \mathbf V_i: kümenin çalışma kovaryansı. \varphi denklemde sadeleşir; \boldsymbol\beta ondan bağımsızdır.
- \mathbf R=\mathbf I alındığında denklem GLM skor denklemidir; GEE, GLM'in kümeli genellemesidir.
Denklem yinelemeli çözülür:
Koddaki tercih: yineleme sırası ve durma ölçütü
statsmodels GEE.fit (gee.py:876 çağrısı): başlangıç \boldsymbol\beta^{(0)} bağımsızlık altında GLM kestirimidir; her adımda önce \boldsymbol\beta güncellenir, sonra \boldsymbol\alpha yeni artıklardan yeniden kestirilir. Durma ölçütü \lVert\mathbf U\rVert<10^{-6}'dır ve en az bir \boldsymbol\alpha güncellemesi yapılmadan durulmaz; en çok 60 yineleme. Çıktıdaki "Yineleme" sayısı \boldsymbol\beta güncellemesi sayısıdır (fit_history, 943–946). Başlangıçta \boldsymbol\alpha=0 olduğundan ilk adım GLM'dir. R geepack aynı mantığı izler; ölçütleri farklıdır, sonuç 10^{-8} düzeyinde aynıdır.
57.5.2 Ölçek ve çalışma korelasyonu: sd düzeltmeli moment kestiricileri
Pearson artıkları r_{ij}=(y_{ij}-\hat\mu_{ij})/\sqrt{V(\hat\mu_{ij})} üzerinden:
- N=\sum_i n_i: toplam gözlem; p: sabit dahil katsayı sayısı.
- P: küme içi tüm ölçüm çiftlerinin sayısı; K_1: zaman indeksleri bitişik çiftlerin sayısı; n_{jk}: j ve k vizitlerinin birlikte gözlendiği küme sayısı; K_t=\sum_i(n_i-t).
- AR(1)'de korelasyon \hat\alpha^{|t_j-t_k|}, m-bağımlıda |j-k|\le m için \hat\alpha_{|j-k|}, ötekiler 0'dır.
- Binom, Poisson ve NB'de \varphi kestirimde 1'e sabittir; yukarıdaki \hat\varphi yalnız korelasyonun ölçeklenmesinde ve raporlamada kullanılır (bkz. 57.5.4).
Neden paydalarda "-p"?
Artıklar kestirilmiş \hat{\boldsymbol\beta}'dan hesaplandığı için p serbestlik derecesi harcanmıştır. Varyans kestiricisinin N-p paydası bu yüzdendir (OLS'teki n-p ile aynı mantık). Liang ve Zeger'in ilk önerisi paydalarda N ve P kullanır; MerQur N-p ve P-p kullanır; bu fark K küçükken \hat\alpha'yı birkaç binde bir değiştirir.
Koddaki tercih: korelasyon kestiricilerinin değiştirilmesi
statsmodels'ın Exchangeable sınıfı zaten N-p ve P-p paydalı kestiriciyi kullanır; MerQur bu yapıyı olduğu gibi alır. Öteki üç yapı için kendi sınıflarını yazar: _ar1_moment (gee.py:551–592; statsmodels Autoregressive α'yı kök kıstırmasıyla arıyor, yüksek korelasyonda çöküyordu), _unstructured_common_scale (437–467; statsmodels her vizitin artığını kendi varyansıyla ölçekliyor, MerQur ise ortak \hat\varphi ile) ve _mdep_adjusted (470–502). Ortak payda kuralı _sd_den (430–434): n-p\le0 ise düzeltmesiz n'e düşer. AR(1)'de uzaklık zaman indeksi farkıdır: eksik vizit varsa iki ölçüm arasındaki korelasyon \hat\alpha^2 olur; boşluklu kümede üç köşegenli hızlı ters yerine genel çözüm kullanılır (539–545).
R paketleriyle farklar
R geepack::geeglm exchangeable \hat\alpha'yı düzeltmesiz paydalarla kestirir: bu veride 0,735372 (MerQur ve gee::gee 0,731676). Gauss modelde katsayılar dengeli tasarım nedeniyle aynı çıkar; SH'ler ve dengesiz veride katsayılar birkaç binde bir farklı olabilir. R gee::gee exchangeable yapıda MerQur ile 10^{-15} düzeyinde aynıdır; gee::gee "AR-M" yapısı ise farklı bir kestirici kullanır (\hat\alpha=0{,}751354; MerQur 0,753256).
57.5.3 Kovaryans: sağlam, model tabanlı ve Mancl-DeRouen
- \hat{\mathbf e}_i=\mathbf y_i-\hat{\boldsymbol\mu}_i: kümenin ham artık vektörü. \mathbf M, kümelerin skor katkılarının (\mathbf D_i^{\top}\tilde{\mathbf V}_i^{-1}\hat{\mathbf e}_i) gözlenen dış çarpımlarının toplamıdır: "ekmek dilimleri" arasında "et".
- \mathbf B^{-1}: "ekmek"; model tabanlı kovaryansın \varphi'siz biçimi.
- \mathbf H_i: i. kümenin kaldıraç matrisi. (\mathbf I-\mathbf H_i)^{-1}, kümenin kendi tahminini çekmesiyle küçülen artığı yaklaşık geri büyütür.
- Seçilen kovaryans z, p, GA, Wald \chi^2, EMM ve kontrastın hepsinde kullanılır (
gee.py:911–920, 1006).
Neden sandviç her zaman geçerli?
\hat{\boldsymbol\beta}, \mathbf U(\boldsymbol\beta)=\mathbf 0'ın köküdür. Taylor açılımıyla \hat{\boldsymbol\beta}-\boldsymbol\beta\approx\mathbf B^{-1}\mathbf U(\boldsymbol\beta) ve \operatorname{Var}(\mathbf U)=\sum_i\mathbf D_i^{\top}\tilde{\mathbf V}_i^{-1}\operatorname{Cov}(\mathbf y_i)\tilde{\mathbf V}_i^{-1}\mathbf D_i. Gerçek \operatorname{Cov}(\mathbf y_i) bilinmez ama kümeler bağımsız olduğundan \hat{\mathbf e}_i\hat{\mathbf e}_i^{\top} ile yansız biçimde (büyük K'de) yerine konabilir. Çalışma korelasyonu doğruysa \operatorname{Cov}(\mathbf y_i)=\varphi\tilde{\mathbf V}_i olur ve sandviç \hat\varphi\mathbf B^{-1}'e iner. Yanlışsa yalnız sandviç geçerlidir.
Koddaki tercih: Poisson ve NB'de model tabanlı SH Pearson \hat\varphi ile ölçeklenir
statsmodels Poisson ve NB'de \varphi=1 alır. MerQur model tabanlı SH'yi R geepack gibi Pearson \hat\varphi=\sum r^2/(N-p) ile çarpar (gee.py:902–915). İkili binomda \varphi=1 bırakılır. Gauss ve Gamma'da \hat\varphi zaten Pearson kestiricisidir. Sağlam ve Mancl-DeRouen SH \varphi'den bağımsızdır.
57.5.4 Testler, güven aralığı ve terim testleri
- \SH_j: seçilen kovaryansın köşegen kökü. Sonsuz serbestlik derecesi (z) kullanılır; t seçeneği yoktur.
- T: bir terimin (ör. üç düzeyli bir faktörün iki kukla sütunu) sütun indeksleri. Tek sütunlu terimde W=z^2.
- Logit bağlantıda (binom) ve log bağlantıda (Poisson, NB) e^{\hat\beta} ve GA'sı OR ya da IRR olarak ayrı tabloda verilir (885–895); başka bağlantıda verilmez.
- Anlamlılık yıldızı p<\alpha'dır; bu, seçilen düzeyde GA'nın 0'ı dışlamasıyla aynıdır.
Terim testleri ve etkileşimli modeller
Terim testleri design_info.term_name_slices üzerinden her terimin kendi sütunlarını sınar (gee.py:1060–1075). Etkileşim içeren modelde bir ana etkinin testi, gösterge kodlamasında öteki faktörün referans düzeyindeki etkiyi sınar; toplam-sıfır kodlamayla yapılan III. tür testle aynı değildir. Etkileşimsiz modelde fark yoktur. Bu yüzden başlık "Tip III" demez; etkileşimli modelde çıktı bunu bir notla bildirir.
57.5.5 QIC ve QICu
- Q: bağımsızlık altında yarı-olabilirlik; \hat{\boldsymbol\mu} GEE kestiriminden gelir.
- Q_{ij}: yarı-olabilirliğin analitik biçimi (Pan 2001); örneğin Gauss'ta -(y-\mu)^2/2, Poisson'da y\ln\mu-\mu, Gamma'da -(y/\mu+\ln\mu) (
_quasi_lik,gee.py:456–475). - \varphi_Q: Pearson ölçek parametresi (N-p paydalı); ikili binomda 1.
- \hat{\boldsymbol\Omega}_I: bağımsızlık altındaki model tabanlı bilgi matrisi; \operatorname{tr}(\hat{\boldsymbol\Omega}_I\widehat{\operatorname{Var}}_{\text{sağlam}}) "etkin parametre sayısı"dır ve korelasyon yapısı doğruysa yaklaşık p'dir.
- Gauss modelde -2Q=\sum r^2/\hat\varphi=N-p; bu yüzden QICu her modelde N+p çıkar (bu veride 303). Çıktı bunu bir not satırıyla yazar.
Koddaki tercih: Pan (2001) tanımı, analitik biçim
MerQur QIC cezasını kendisi hesaplar (gee.py:974–994): \hat{\boldsymbol\Omega}_I \mathbf A_i^{-1} ağırlığını içerir ve \widehat{\operatorname{Var}} seçilen SH türünden bağımsız olarak her zaman sandviçtir. statsmodels'ın kendi qic cezası \mathbf A^{-1}'i içermez ve verilen kovaryansı kullanır; Q'yu da sayısal integralle (yamuk kuralı) hesaplar. MerQur Q'yu analitik biçimden alır; böylece QIC ve QICu her ailede analitik tanımın mutlak değerini verir (Tıp #56 Poisson: QIC −89,42, QICu −90,59; \hat\varphi_Q=1{,}2044).
QIC'in mutlak değeri tanıma bağlıdır
Q integral biçiminde tanımlandığında (statsmodels) Poisson için Q=\sum[y\ln(\hat\mu/y)-(\hat\mu-y)]'dir. MerQur ve R geepack::QIC ise Q=\sum(y\ln\hat\mu-\hat\mu) kullanır; fark yalnız veriye bağlı sabit 2\sum(y\ln y-y)'dir (bu veride 309,70). Ayrıca geepack Q'yu \hat\varphi'ye bölmez ve cezayı N paydalı \hat\varphi ile böler; MerQur bu iki noktada farklıdır. Aynı yazılımda aynı veriyle kurulan modellerin QIC farkları karşılaştırılabilir; yazılımlar arasında QIC'in kendisi karşılaştırılmaz.
57.5.6 Kestirilen marjinal ortalamalar (EMM)
- \mathbf L_\ell: faktörün \ell. düzeyi için tasarım satırı; sayısal açıklayıcılar ortalamalarında, öteki faktörler düzeyleri üzerinde eşit ağırlıkla tutulur (R
emmeansreferans ızgarası;stats/emm_tools.reference_L). - Serbestlik derecesi sonsuzdur (z); seçilen kovaryans kullanılır (1096–1126). İkili farklar bağlantı ölçeğindedir; log/logit'te e^{\Delta} oran olarak yorumlanır.
57.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/gee/elle_hesap.py ile, MerQur ve statsmodels çağrılmadan numpy ile hesaplanmıştır. Betik moment kestiricilerini, Fisher skorlamasını, üç kovaryansı ve analitik Q'lu QIC'i doğrudan yazar.
Adım 1 — Başlangıç: GLM (bağımsızlık). Gauss–özdeşlikte GLM, OLS'tir:
Birinci hastanın (yoğun tedavi) tahminleri \hat\mu=7{,}818927-0{,}098067\,t: 7,7209; 7,6228; 7,5247; 7,4267; 7,3286. Gözlenen 8,18; 7,19; 7,67; 6,35; 7,28; Pearson artıkları 0,4591; −0,4328; 0,1453; −1,0767; −0,0486.
Adım 2 — Ölçek. \sum r^2=103{,}910769, N-p=300-3=297:
Adım 3 — Exchangeable korelasyon. Her hastada \binom{5}{2}=10 çift, toplam P=600. Çapraz çarpımların toplamı \sum_i\sum_{j<k}r_{ij}r_{ik}=152{,}826045:
Düzeltmesiz paydalarla (600 ve 300) aynı hesap 0,735372 verir; bu, geepack'in değeridir.
Adım 4 — İkinci yineleme. \hat\alpha=0{,}731676 ile \mathbf U(\hat{\boldsymbol\beta}^{\text{OLS}}) sayısal sıfırdır (1{,}1\cdot10^{-12}): katsayılar değişmez. Nedeni tasarımdır: her hasta aynı vizitlerde ölçülmüş ve tedavi hasta içinde sabittir. Bu durumda exchangeable kovaryanslı genelleştirilmiş en küçük kareler OLS'e eşittir. MerQur da "Yineleme = 2" yazar (bir GLM adımı, bir doğrulama adımı).
Adım 5 — "Ekmek" ve "et". Bu modelde
Sağlam kovaryansın köşegeninden \SH(\hat\beta_{\text{standard}})=\sqrt{[\mathbf B^{-1}\mathbf M\mathbf B^{-1}]_{22}}=0{,}138397, model tabanlıdan \sqrt{0{,}349868\cdot[\mathbf B^{-1}]_{22}}=\sqrt{0{,}349868\times0{,}052885}=0{,}136025.
Adım 6 — Üç SH ve korelasyonu yok saymanın bedeli.
| Terim | \hat\beta | Sağlam SH | Model tabanlı SH | Mancl-DeRouen SH | Bağımsız yapıda model tabanlı SH |
|---|---|---|---|---|---|
| Sabit | 7,818927 | 0,095787 | 0,098663 | 0,098484 | 0,085840 |
| treatment[standard] | 0,637199 | 0,138397 | 0,136025 | 0,143371 | 0,068644 |
| visit | −0,098067 | 0,013005 | 0,012509 | 0,013226 | 0,024148 |
Son sütun, korelasyonu yok sayan sıradan regresyonun SH'sidir: hasta düzeyindeki treatment için gerçek belirsizliğin yarısını (0,0686 / 0,1384), hasta içinde değişen visit için iki katını verir. Exchangeable model tabanlı SH sağlam SH'ye yakındır; bu, seçilen yapının veriye uyduğunu gösterir.
Adım 7 — Testler. z_{\text{standard}}=0{,}637199/0{,}138397=4{,}604, p=4{,}1\cdot10^{-6}; %95 GA 0{,}637199\pm1{,}959964\times0{,}138397=[0{,}3659;\ 0{,}9085]. z_{\text{visit}}=-7{,}540; Wald \chi^2_1=z^2=56{,}859.
Adım 8 — QIC. Gauss'ta -2Q=\sum r^2/\hat\varphi=297; ceza \operatorname{tr}(\hat{\boldsymbol\Omega}_I\widehat{\operatorname{Var}}_{\text{sağlam}})=8{,}2570:
Adım 9 — Korelasyon yapısının seçimi.
| Yapı | \hat\alpha | \hat\beta_{\text{standard}} (SH) | \hat\beta_{\text{visit}} (SH) | QIC | Yineleme |
|---|---|---|---|---|---|
| Bağımsız | — | 0,637199 (0,138397) | −0,098067 (0,013005) | 313,514 | 2 |
| Exchangeable | 0,731676 | 0,637199 (0,138397) | −0,098067 (0,013005) | 313,514 | 2 |
| AR(1) | 0,753256 | 0,628882 (0,136132) | −0,097824 (0,015033) | 313,190 | 4 |
| Yapısız | 10 öğe | 0,611970 (0,137958) | −0,097597 (0,013951) | 313,259 | 6 |
Bağımsız ve exchangeable yapının sağlam SH'leri de aynıdır (dengeli tasarım). AR(1) yinelemesi: \hat\alpha 0,753195 → 0,753256 → 0,753256; skor normu 0,506 → 6{,}1\cdot10^{-5} → 1{,}1\cdot10^{-8}. Yapısız kestirimde bitişik vizit korelasyonları 0,70–0,85, uzak olanlar 0,63–0,87'dir; korelasyon uzaklıkla belirgin biçimde azalmaz (Şekil 57.1). QIC farkları 0,3'ten küçüktür: üç yapı da veriye eşit uyar ve katsayılar pratikte aynıdır.
Şekil 57.1. Sol: yapısız çalışma korelasyonunun vizit uzaklığına göre öğeleri (noktalar), exchangeable \hat\alpha (kesikli) ve AR(1) \hat\alpha^{|j-k|} (eğri). Sağ: yapısız \hat{\mathbf R} matrisi.
Adım 10 — M-bağımlı yapının tuzağı. m=2 ile kestirim \hat\alpha_1=0{,}7591, \hat\alpha_2=0{,}7828 verir. Ana köşegeni 1, birinci yan köşegenleri \hat\alpha_1, ikinci yan köşegenleri \hat\alpha_2, ötekileri 0 olan 5\times5 bantlı matris bu değerlerle pozitif tanımlı değildir (en küçük özdeğer −0,246). MerQur uyarı verir (gee.py:1016–1027); katsayılar bozulur (\hat\beta_{\text{standard}}=0{,}836, SH 0,395). Korelasyon uzaklıkla azalmıyorsa uzak gecikmeleri 0'a çeken m-bağımlı yapı uygun değildir.
Adım 11 — Poisson GEE (yan etki sayısı). Exchangeable: \hat\alpha=0{,}108751, Pearson \hat\varphi=1{,}204380; \hat\beta_{\text{new\_drug}}=0{,}540536 (sağlam SH 0,115884), IRR e^{0{,}540536}=1{,}7169, %95 GA [1{,}368;\ 2{,}155]. Model tabanlı SH \sqrt{\hat\varphi} ile ölçeklenmiştir: 0,116362. Aynı veride GLMM'nin koşullu katsayısı 0,540883'tür (58.6); küme içi korelasyon zayıf (\hat\alpha\approx0{,}11) ve rastgele kesişim varyansı küçük (\hat\sigma_u^2=0{,}045) olduğundan marjinal ve koşullu katsayı birbirine çok yakındır. Log bağlantıda yalnız kesişimli rastgele etki için kuramsal ilişki \beta_0^{\text{marj}}=\beta_0^{\text{koş}}+\sigma_u^2/2'dir; eğimler aynı kalır: 0{,}865646+0{,}045166/2=0{,}888229, GEE'nin 0,888454'üne yakındır.
57.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan alınmıştır; gee modülünde yalnız round adı bellekte etkisizleştirilmiştir (QIC gösterimde iki ondalığa, OR/IRR dört ondalığa yuvarlanır). R 4.5.3 tarafında üç kaynak kullanılmıştır: (1) R'de baştan yazılmış GEE yinelemesi (aynı moment kestiricileri, sağlam, model tabanlı ve Mancl-DeRouen kovaryans, analitik Q'lu Pan QIC; tam yakınsama \lVert\mathbf U\rVert<10^{-12}); (2) gee::gee (Carey; exchangeable \hat\alpha, \hat\varphi, sağlam ve model tabanlı SH); (3) geepack::geeglm, çalışma korelasyonu corstr = "fixed" ile MerQur'un \hat{\mathbf R}'sine sabitlenerek (katsayı ve sandviç SH). Mancl-DeRouen düzeltmesi R paketlerinde bulunmadığı için yalnız (1) ile karşılaştırılmıştır.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Gauss, exch: \beta Sabit | 7,818927 | 7,818927 | 7,818927 | 3,6e−15 | ✓ |
| Gauss, exch: SH Sabit | 0,095787 | 0,095787 | 0,095787 | 9,7e−17 | ✓ |
| Gauss, exch: \beta treatment[standard] | 0,637199 | 0,637199 | 0,637199 | 1,1e−15 | ✓ |
| Gauss, exch: SH treatment[standard] | 0,138397 | 0,138397 | 0,138397 | 2,5e−16 | ✓ |
| Gauss, exch: \beta visit | −0,098067 | −0,098067 | −0,098067 | 1,4e−16 | ✓ |
| Gauss, exch: SH visit | 0,013005 | 0,013005 | 0,013005 | 3,5e−18 | ✓ |
| Gauss, exch: z visit | −7,540481 | −7,540481 | −7,540481 | 1,2e−14 | ✓ |
| Gauss, exch: %95 GA alt treatment[standard] | 0,365945 | 0,365945 | 0,365945 | 8,3e−16 | ✓ |
| Gauss, exch: Wald χ² treatment | 21,198051 | 21,198051 | 21,198051 | 6,4e−14 | ✓ |
| Gauss, exch: Wald χ² visit | 56,858856 | 56,858856 | 56,858856 | 2,3e−13 | ✓ |
| Gauss, exch: \hat\alpha | 0,731676 | 0,731676 | 0,731676 | 4,4e−16 | ✓ |
| Gauss, exch: \hat\varphi | 0,349868 | 0,349868 | 0,349868 | 3,3e−16 | ✓ |
| Gauss, exch: SH visit (gee::gee sağlam) | 0,013005 | 0,013005 | 0,013005 | 3,5e−18 | ✓ |
| Gauss, exch: SH treatment (geepack, sabit \hat\alpha) | 0,138397 | 0,138397 | 0,138397 | 2,5e−16 | ✓ |
| Gauss, exch: QIC | 313,513998 | 313,513998 | 313,513998 | 4,5e−13 | ✓ |
| Gauss, exch: QICu | 303,000000 | 303,000000 | 303,000000 | 5,7e−14 | ✓ |
| Gauss, exch: model tabanlı SH Sabit | 0,098663 | 0,098663 | 0,098663 | 1,8e−16 | ✓ |
| Gauss, exch: model tabanlı SH treatment[standard] | 0,136025 | 0,136025 | 0,136025 | 3,3e−16 | ✓ |
| Gauss, exch: model tabanlı SH visit | 0,012509 | 0,012509 | 0,012509 | 3,8e−17 | ✓ |
| Gauss, exch: Mancl-DeRouen SH Sabit | 0,098484 | 0,098484 | 0,098484 | 5,6e−17 | ✓ |
| Gauss, exch: Mancl-DeRouen SH treatment[standard] | 0,143371 | 0,143371 | 0,143371 | 3,6e−16 | ✓ |
| Gauss, exch: Mancl-DeRouen SH visit | 0,013226 | 0,013226 | 0,013226 | 5,2e−18 | ✓ |
| Gauss, exch: EMM dense | 7,524727 | 7,524727 | 7,524727 | 3,6e−15 | ✓ |
| Gauss, exch: EMM SH dense | 0,081980 | 0,081980 | 0,081980 | 8,3e−17 | ✓ |
| Gauss, exch: EMM standard | 8,161926 | 8,161926 | 8,161926 | 1,8e−15 | ✓ |
| Gauss, exch: EMM SH standard | 0,111504 | 0,111504 | 0,111504 | 6,9e−17 | ✓ |
| Gauss, AR(1): \beta Sabit | 7,823015 | 7,823015 | 7,823015 | 2,0e−14 | ✓ |
| Gauss, AR(1): SH Sabit | 0,098762 | 0,098762 | 0,098762 | 1,0e−14 | ✓ |
| Gauss, AR(1): \beta treatment[standard] | 0,628882 | 0,628882 | 0,628882 | 4,1e−14 | ✓ |
| Gauss, AR(1): SH treatment[standard] | 0,136132 | 0,136132 | 0,136132 | 2,3e−15 | ✓ |
| Gauss, AR(1): \beta visit | −0,097824 | −0,097824 | −0,097824 | 4,7e−16 | ✓ |
| Gauss, AR(1): SH visit | 0,015033 | 0,015033 | 0,015033 | 5,6e−15 | ✓ |
| Gauss, AR(1): z visit | −6,507501 | −6,507501 | −6,507501 | 2,5e−12 | ✓ |
| Gauss, AR(1): %95 GA alt treatment[standard] | 0,362067 | 0,362067 | 0,362067 | 3,6e−14 | ✓ |
| Gauss, AR(1): SH visit (geepack, sabit \hat R) | 0,015033 | 0,015033 | 0,015033 | 5,4e−15 | ✓ |
| Gauss, AR(1): \hat\varphi | 0,349886 | 0,349886 | 0,349886 | 5,6e−16 | ✓ |
| Gauss, AR(1): QIC | 313,189972 | 313,189972 | 313,189972 | 2,3e−13 | ✓ |
| Gauss, yapısız: \beta Sabit | 7,831444 | 7,831444 | 7,831444 | 1,2e−10 | ✓ |
| Gauss, yapısız: SH Sabit | 0,094342 | 0,094342 | 0,094342 | 3,0e−11 | ✓ |
| Gauss, yapısız: \beta treatment[standard] | 0,611970 | 0,611970 | 0,611970 | 2,6e−10 | ✓ |
| Gauss, yapısız: SH treatment[standard] | 0,137958 | 0,137958 | 0,137958 | 1,2e−10 | ✓ |
| Gauss, yapısız: \beta visit | −0,097597 | −0,097597 | −0,097597 | 7,9e−12 | ✓ |
| Gauss, yapısız: SH visit | 0,013951 | 0,013951 | 0,013951 | 2,8e−11 | ✓ |
| Gauss, yapısız: z visit | −6,995775 | −6,995775 | −6,995775 | 1,5e−08 | ✓ |
| Gauss, yapısız: %95 GA alt treatment[standard] | 0,341578 | 0,341578 | 0,341578 | 4,9e−10 | ✓ |
| Gauss, yapısız: SH visit (geepack, sabit \hat R) | 0,013951 | 0,013951 | 0,013951 | 2,8e−11 | ✓ |
| Gauss, yapısız: \hat\varphi | 0,350034 | 0,350034 | 0,350034 | 3,5e−12 | ✓ |
| Gauss, yapısız: QIC | 313,258742 | 313,258742 | 313,258742 | 2,4e−08 | ✓ |
| Gauss, AR(1): \hat\alpha | 0,753256 | 0,753256 | 0,753256 | 2,0e−12 | ✓ |
| Gauss, yapısız: \hat R_{12} | 0,749058 | 0,749058 | 0,749058 | 5,4e−10 | ✓ |
| Gauss, yapısız: \hat R_{23} | 0,851126 | 0,851126 | 0,851126 | 2,8e−10 | ✓ |
| Gauss, yapısız: \hat R_{35} | 0,871414 | 0,871414 | 0,871414 | 6,8e−10 | ✓ |
| Gauss, yapısız: \hat R_{15} | 0,631465 | 0,631465 | 0,631465 | 8,7e−11 | ✓ |
Poisson GEE:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Poisson, exch: \beta Sabit | 0,888453 | 0,888453 | 0,888453 | 3,3e−16 | ✓ |
| Poisson, exch: SH Sabit | 0,135576 | 0,135576 | 0,135576 | 6,7e−16 | ✓ |
| Poisson, exch: \beta time_month | −0,021944 | −0,021944 | −0,021944 | 1,4e−16 | ✓ |
| Poisson, exch: SH time_month | 0,043651 | 0,043651 | 0,043651 | 1,9e−16 | ✓ |
| Poisson, exch: \beta new_drug | 0,540536 | 0,540536 | 0,540536 | 2,2e−16 | ✓ |
| Poisson, exch: SH new_drug | 0,115884 | 0,115884 | 0,115884 | 4,4e−16 | ✓ |
| Poisson, exch: z new_drug | 4,664458 | 4,664458 | 4,664458 | 1,6e−14 | ✓ |
| Poisson, exch: %95 GA alt time_month | −0,107497 | −0,107497 | −0,107497 | 2,4e−16 | ✓ |
| Poisson, exch: Wald χ² time_month | 0,252727 | 0,252727 | 0,252727 | 4,7e−15 | ✓ |
| Poisson, exch: Wald χ² new_drug | 21,757170 | 21,757170 | 21,757170 | 4,3e−14 | ✓ |
| Poisson, exch: \hat\alpha | 0,108751 | 0,108751 | 0,108751 | 1,2e−16 | ✓ |
| Poisson, exch: Pearson \hat\varphi | 1,204380 | 1,204380 | 1,204380 | 2,4e−15 | ✓ |
| Poisson, exch: SH new_drug (gee::gee) | 0,115884 | 0,115884 | 0,115884 | 4,4e−16 | ✓ |
| Poisson, exch: IRR new_drug | 1,716928 | 1,716928 | 1,716928 | 4,4e−16 | ✓ |
| Poisson, exch: model tabanlı SH × \sqrt{\hat\varphi} Sabit | 0,135084 | 0,135084 | 0,135084 | 3,1e−16 | ✓ |
| Poisson, exch: model tabanlı SH × \sqrt{\hat\varphi} time_month | 0,042574 | 0,042574 | 0,042574 | 1,0e−16 | ✓ |
| Poisson, exch: model tabanlı SH × \sqrt{\hat\varphi} new_drug | 0,116362 | 0,116362 | 0,116362 | 3,2e−16 | ✓ |
| Poisson, exch: QICu | −90,590331 | −90,590331 | −90,590331 | 5,7e−14 | ✓ |
| Poisson, exch: QIC | −89,421881 | −89,421881 | −89,421881 | 7,1e−14 | ✓ |
| Poisson, AR(1): \beta Sabit | 0,896627 | 0,896627 | 0,896627 | 3,8e−13 | ✓ |
| Poisson, AR(1): SH Sabit | 0,135441 | 0,135441 | 0,135441 | 1,9e−15 | ✓ |
| Poisson, AR(1): \beta time_month | −0,023143 | −0,023143 | −0,023143 | 8,2e−14 | ✓ |
| Poisson, AR(1): SH time_month | 0,043905 | 0,043905 | 0,043905 | 9,6e−15 | ✓ |
| Poisson, AR(1): \beta new_drug | 0,539638 | 0,539638 | 0,539638 | 4,2e−14 | ✓ |
| Poisson, AR(1): SH new_drug | 0,116405 | 0,116405 | 0,116405 | 1,7e−14 | ✓ |
| Poisson, AR(1): z new_drug | 4,635858 | 4,635858 | 4,635858 | 1,0e−12 | ✓ |
| Poisson, AR(1): %95 GA alt time_month | −0,109195 | −0,109195 | −0,109195 | 1,0e−13 | ✓ |
| Poisson, AR(1): \hat\alpha | 0,089481 | 0,089481 | 0,089481 | 2,7e−12 | ✓ |
Poisson QIC satırları analitik Q ve Pearson \hat\varphi_Q ile (57.5.5) karşılaştırılır; bağımsız Python ve R yinelemesi de aynı tanımı kullanır ve üç değer 10^{-13} düzeyinde örtüşür (QIC −89,421881; QICu −90,590331). statsmodels'ın durma ölçütü (\lVert\mathbf U\rVert<10^{-6}) ile tam yakınsama arasındaki fark bu verilerde 10^{-9}'un altındadır.
57.7 Çıktıyı okuma
Sonuç metni (varsayılan ayarlar, kısaltılmış):
══ GEE — GENELLEŞTİRİLMİŞ TAHMİN DENKLEMLERİ ══
Bağımlı değişken : HbA1c
Dağılım ailesi : Gauss (sürekli)
Korelasyon yapısı: Değiştirilebilir (exchangeable)
Küme (grup) : patient_id
Zaman değişkeni : —
Standart hata : Sağlam (sandviç, varsayılan)
── ÖRNEKLEM ──
Toplam gözlem : 300
Küme sayısı : 60
En küçük küme : 5
En büyük küme : 5
Ort. küme : 5.00
Yineleme : 2
── KATSAYILAR (Sağlam SH) ──
Parametre β SE z p %95 GA
Sabit 7.8189 0.09579 81.628 <0.0001 (7.631, 8.007) ★
treatment[T.standard 0.6372 0.1384 4.604 <0.0001 (0.366, 0.908) ★
visit -0.09807 0.01301 -7.540 <0.0001 (-0.124, -0.07258) ★
── TERİM BAZLI WALD χ² TESTLERİ (Sağlam SH) ──
treatment 21.1981 1 < .001
visit 56.8589 1 < .001
Kestirilen çalışma korelasyonu: 0.7317
Korelasyon kestiricisi: sd düzeltmeli moment kestiricisi (paydalar N − p ve çift sayısı − p).
── MODEL UYUMU ──
Ölçek parametresi (φ): 0.349868
QIC : 313.51
QICu : 303.0
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Örneklem | N, küme sayısı, en küçük/büyük/ortalama küme, yineleme. | Eksik satır varsa atılan sayı da yazılır. Yineleme 60'a ulaştıysa yakınsamama uyarısı gelir. |
| Katsayılar | \hat\beta, seçilen SH, z, p, GA, ★. | Başlık hangi SH'nin kullanıldığını söyler. Katsayı adı 20 karakterde kesilir ("treatment[T.standard"). Küçük sayılar en az 4 anlamlı basamakla yazılır (_fnum, 1192–1204). |
| OR / IRR tablosu | e^{\hat\beta} ve GA. | Yalnız logit ya da log bağlantıda. |
| Wald χ² | Terim başına, seçilen kovaryansla. | Çok düzeyli faktörün bütün olarak testi. |
| Çalışma korelasyonu | Tek sayı (exch, AR(1)) ya da matris (yapısız) ya da vektör (m-bağımlı). | Bağımsız yapıda yazılmaz. |
| Ölçek (φ) | Gauss/Gamma: Pearson \hat\varphi. Poisson/NB: Pearson \hat\varphi + not. İkili binom: 1 + not. | Poisson'da \hat\varphi>1 aşırı yayılım işaretidir; sağlam SH bunu zaten karşılar. |
| QIC / QICu | İki ondalık. | Aynı veri ve aynı ortalama modelinde korelasyon yapısı seçimi için QIC; aynı korelasyon yapısında ortalama modeli seçimi için QICu. Gauss'ta QICu her zaman N+p'dir. |
| Uyarılar | Az küme, AR(1)'de zaman yok, PD olmayan korelasyon, yakınsamama. | Koşullar 57.2'de. |
Tablo sekmesi: Parametre, β, SE, z, p, GA alt/üst, Anlamlı; logit/log bağlantıda OR ya da IRR ve GA'sı; Wald χ² satırları; EMM ve ikili fark satırları (get_table_df, 1476–1512). Grafik sekmesi: sabit hariç katsayıların çubuk + GA grafiği; anlamlı olanlar yeşil.
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
HbA1c'nin vizit ve tedavi koluyla ilişkisi, hasta içi korelasyonu exchangeable çalışma korelasyonuyla hesaba katan Gauss GEE ile incelendi (60 hasta, 300 ölçüm; \hat\alpha = 0{,}73; sağlam standart hatalar). Her ek vizitte ortalama HbA1c 0,098 puan azaldı (b = -0{,}098; %95 GA [−0,124; −0,073]; z = -7{,}54; p < 0{,}001). Vizit denetlendiğinde standart tedavi kolunun ortalama HbA1c'si yoğun tedaviye göre 0,64 puan yüksekti (b = 0{,}637; %95 GA [0,366; 0,908]; z = 4{,}60; p < 0{,}001). AR(1) ve yapısız korelasyonla sonuçlar değişmedi (QIC 313,2–313,5).
57.8 Uzman soruları
S1. Exchangeable GEE neden OLS ile aynı katsayıyı verdi? Bu bir hata mı?
Hata değil. Dengeli tasarımda (her kümede aynı zaman noktaları) ve küme düzeyinde sabit ya da tüm kümelerde aynı biçimde değişen açıklayıcılarda, \mathbf X'in sütun uzayı exchangeable \mathbf R'nin değişmez alt uzayıdır; bu durumda GLS kestiricisi OLS'e eşittir (Zyskind koşulu). Sağlam SH'ler de aynıdır. Fark model tabanlı SH'dedir: bağımsızlık 0,0686, exchangeable 0,1360 (treatment). Dengesiz veride ya da küme içinde farklı değişen açıklayıcıda katsayılar ayrışır.
S2. MerQur \hat\alpha'yı neden N-p ve P-p paydalarıyla kestiriyor? R geepack başka sayı veriyor.
MerQur p ile düzeltilmiş tanımı izler: tüm korelasyon yapılarında paydalar p kadar azaltılır (_sd_den, gee.py:476–480). geepack düzeltmesiz kestiriciyi kullanır (bu veride 0,7354 ve 0,7317). R gee::gee exchangeable'da MerQur ile birebir aynıdır. Fark K büyüdükçe kaybolur; katsayılar korelasyon yapısının küçük değişimlerine duyarsızdır.
S3. Model tabanlı SH ile sağlam SH çok farklıysa ne düşünmeliyim?
Fark, çalışma korelasyonunun (ya da varyans fonksiyonunun) yanlış seçildiğine işarettir. Örnekte bağımsızlık yapısında treatment için model tabanlı SH 0,069, sağlam SH 0,138'dir: bağımsızlık açıkça yanlıştır. Exchangeable'da iki SH 0,136 ve 0,138'dir; yapı uygundur. Bu karşılaştırma, QIC'ten daha doğrudan bir tanıdır. Raporda sağlam SH kullanılır.
S4. Kaç küme yeterli? 4 kümeyle MerQur neden çalışıyor?
Sandviç kovaryans K\to\infty asimptotiğine dayanır; K<40–50'de aşağı yanlıdır ve z testleri liberaldir. MerQur yalnız K<2'de durur (gee.py:796–799) ve K<5'te uyarır; R geepack de az kümede kestirim verir. Az kümede Mancl-DeRouen SH seçilmeli, sonuç ihtiyatla yorumlanmalı; K çok küçükse karma model (GLMM/LMM) daha uygundur. MerQur küçük örneklem için t dağılımı ya da Kauermann–Carroll düzeltmesi sunmaz.
S5. QIC ile AIC aynı şey mi? QICu neden hep 303?
QIC, AIC'nin GEE karşılığıdır: olabilirlik yerine bağımsızlık altındaki yarı-olabilirlik, 2p yerine 2\operatorname{tr}(\hat{\boldsymbol\Omega}_I\hat{\mathbf V}_R) cezası. Gauss'ta \hat\varphi aynı modelden kestirildiği için -2Q=N-p sabittir; QICu =N+p olur ve aynı p'li modelleri ayırt edemez; çıktı bunu not eder. Pan (2001), ortalama modellerini karşılaştırırken \varphi'nin en geniş modelden alınıp sabit tutulmasını önerir; MerQur'da bu seçenek yoktur. QIC'teki ceza terimi korelasyon yapıları arasında yine bilgi taşır.
S6. AR(1)'de zaman değişkeni vermezsem ne olur? Eksik vizitte?
Zaman verilmezse küme içi dosya sırası kullanılır ve uyarı yazılır (gee.py:1009–1010): dosya zamana göre sıralı değilse sonuç yanlıştır. Zaman verilirse satırlar ona göre sıralanır ve uzaklık zaman indeksi farkıdır; eksik vizitte iki ölçüm arasındaki korelasyon \hat\alpha^2 olur. Aynı küme ve zamanda iki satır varsa ayrı uyarı verilir. Zaman, verideki tüm zaman düzeylerinin sıra numarasına çevrildiği için eşit aralıklı olmayan vizitler (gün 0, 7, 30) eşit aralıklı sayılır.
S7. Binomda neden \varphi=1 sabit, Poisson'da neden Pearson \hat\varphi yazılıyor?
Kestirim her iki ailede de \varphi=1 ile yapılır. Raporlamada MerQur ikili binomda ölçeği 1'e sabitler; Poisson ve NB'de model tabanlı SH'yi Pearson \hat\varphi ile ölçekler (gee.py:895–915). Sağlam SH her durumda \varphi'den bağımsızdır. Olay/deneme (oran) biçimli binom GEE MerQur'da yoktur; 0/1 dışındaki yanıt hata verir.
S8. GEE ile GLMM katsayıları neden farklı? Hangisi doğru?
İkisi farklı parametreleri kestirir. GLMM E(Y\mid u_i)'yi, GEE E(Y)'yi modeller. Logit bağlantıda marjinal katsayı yaklaşık \beta^{\text{koş}}/\sqrt{1+0{,}346\,\sigma_u^2} kadar küçülür (Zeger vd. 1988); log bağlantıda yalnız kesişimli modelde eğimler aynı kalır, sabit \sigma_u^2/2 kadar kayar (57.6, Adım 11). Soru "ortalama hastada fark" ise GEE, "aynı hastada fark" ise GLMM katsayısı raporlanır.
S9. Yapısız korelasyonda neden uyarı aldım ve ne yapmalıyım?
Yapısız kestiricide her öğe ayrı kestirilir; kümeler azsa ya da çok vizit varsa |\hat R_{jk}|>1 ya da pozitif tanımlı olmayan matris çıkabilir. MerQur en küçük özdeğeri ve en büyük |r|'yi yazar, düzeltme yapmaz (gee.py:1033–1043). Daha az parametreli bir yapı (exchangeable, AR(1)) seçilmeli; sağlam SH ile katsayılar zaten geçerlidir.
57.9 Sık hatalar ve tuzaklar
- Küme değişkenini yanlış seçmek. Küme, korelasyonun ve sandviç toplamının birimidir. Vizit ya da tedavi kolu küme seçilirse hasta içi korelasyon hesaba katılmaz ve SH'ler yanlış olur.
- Hasta düzeyindeki açıklayıcının SH'sini sıradan regresyondan almak. Bu veride
treatmentSH'si yarıya iner (Adım 6). - AR(1) seçip zaman değişkenini boş bırakmak. Dosya sırası zaman sırası değilse sonuç yanlıştır; uyarı okunmalı.
- Eşit aralıklı olmayan vizitleri AR(1)'e vermek. Zaman sıra numarasına çevrilir; gün 0, 7, 30 eşit aralıklı sayılır.
- M-bağımlı yapıyı korelasyon uzaklıkla azalmayan veride kullanmak. Bantlı matris pozitif tanımlı olmayabilir; katsayılar bozulur (Adım 10).
- QIC'i başka yazılımın QIC'iyle karşılaştırmak. MerQur analitik Q tanımını kullanır; statsmodels ve
geepackQ'yu ya da cezayı farklı ölçekler, mutlak değer farklı çıkar. - Gauss'ta QICu ile değişken seçmek. QICu her modelde N+p'dir.
- Negatif binom ailesinde k'nin kestirildiğini sanmak. k=1 sabittir.
- GEE katsayısını bireysel etki gibi yorumlamak. Logit ve log bağlantıda katsayı popülasyon ortalamasıdır.
- Az kümede sağlam SH'ye güvenmek. K<40'ta Mancl-DeRouen SH tercih edilmeli.
- Eksik verinin MCAR olmadığı durumda GEE kullanmak. Bırakma (drop-out) önceki ölçümlere bağlıysa ağırlıksız GEE yanlıdır; karma model MAR altında geçerlidir.
57.10 Kaynaklar
- Fitzmaurice, G. M., Laird, N. M., & Ware, J. H. (2011). Applied longitudinal analysis (2. baskı). Wiley. https://doi.org/10.1002/9781119513469
- Halekoh, U., Højsgaard, S., & Yan, J. (2006). The R package geepack for generalized estimating equations. Journal of Statistical Software, 15(2), 1–11. https://doi.org/10.18637/jss.v015.i02
- Liang, K.-Y., & Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 73(1), 13–22. https://doi.org/10.1093/biomet/73.1.13
- Mancl, L. A., & DeRouen, T. A. (2001). A covariance estimator for GEE with improved small-sample properties. Biometrics, 57(1), 126–134. https://doi.org/10.1111/j.0006-341X.2001.00126.x
- Neuhaus, J. M., Kalbfleisch, J. D., & Hauck, W. W. (1991). A comparison of cluster-specific and population-averaged approaches for analyzing correlated binary data. International Statistical Review, 59(1), 25–35. https://doi.org/10.2307/1403572
- Pan, W. (2001). Akaike's information criterion in generalized estimating equations. Biometrics, 57(1), 120–125. https://doi.org/10.1111/j.0006-341X.2001.00120.x
- Prentice, R. L. (1988). Correlated binary regression with covariates specific to each binary observation. Biometrics, 44(4), 1033–1048. https://doi.org/10.2307/2531733
- Zeger, S. L., & Liang, K.-Y. (1986). Longitudinal data analysis for discrete and continuous outcomes. Biometrics, 42(1), 121–130. https://doi.org/10.2307/2531248
- Zeger, S. L., Liang, K.-Y., & Albert, P. S. (1988). Models for longitudinal data: A generalized estimating equation approach. Biometrics, 44(4), 1049–1060. https://doi.org/10.2307/2531734