Download de presentatie
De presentatie wordt gedownload. Even geduld aub
1
Analyse van kategorische gegevens
2
tot nu toe: respons variables continu
grootte aantal nakomelingen,.. maar: ecologische gegevens vaak kategorisch overleven aan/afwezigheid andere methodes om continue en kategorische gegevens statistisch te verwerken
3
predictor r e s p o n continu kategorisch mixed regressie ANOVA ANCOVA
logistische regressie logit model logistische regressie of logit model
4
Als respons variablen continu..
5
grootte aantal nakomelingen Nutrientengehalte vegatatiedichtheid
predictor Respons continu kategorisch mixed regressie ANOVA ANCOVA logistische regressie logit model logistische regressie of logit model begingrootte groei grootte aantal nakomelingen Nutrientengehalte vegatatiedichtheid
6
Regressie proc glm data=work.statistik; model groei=begingrootte; run;
100 50 91 40 105 49 110 53 95 45 55 52 85 70 39 75 41 65 80 56 62 58 51 20 25 18 28 30 54 proc glm data=work.statistik; model groei=begingrootte; run; parameter Estimate SE t-waarde Pr > t intercept 1.5 57.1 0.03 0.97 begingrootte 1.4 1.2 1.17 0.25
7
Bloemkleur reproduktie
predictor Respons continu kategorisch mixed regressie ANOVA ANCOVA logistische regressie logit model logistische regressie of logit model Behandelingen groei Bloemkleur reproduktie
8
ANOVA licht nutrienten groei y 100 91 105 110 95 n 85 70 75 65 80 55 62 58 20 25 18 28 30 20 40 60 80 100 g r o e i n y proc glm data=work.statistik; class licht nutrienten; model groei=licht|nutrienten; run; source DF Type I SS Mean square F-value Pr > F Licht 1 11328 156 <0.001 Nutrienten 4032 55 L*N 649 9 0.009
9
Behandeling, grootte groei
predictor Respons continu kategorisch mixed regressie ANOVA ANCOVA katerorisch logistische regressie logit model logistische regressie of logit model Behandeling, grootte groei Behandelingen, natuurlijke waterbeschikbaarheid overleven
10
Covariantie analyse licht nutrienten groei begingrootte y 100 50 91 40 105 49 110 53 95 45 n 55 52 85 70 39 75 41 65 80 56 62 58 51 20 25 18 28 30 54 40 45 50 55 begingrootte 20 60 80 100 g r o e i proc glm data=work.statistik; class licht nutrienten; model groei=licht|nutrienten begingrootte; run; source DF TI SS MS Fvalue Pr > F Licht 1 11328 508 <0.001 Nutrienten 4032 181 L*N 649 29 Begingr 824 37
11
Als respons variablen niet continu…
Vergelijkbare toetsen, maar werken met andere verdelingen Binominale verdeling Gemeten verdeling predicted verdeling
12
Voorwaarden van regressie-modellen
Geen restrikties op predictor variable (kontinu: regressie, niet kontinu: ANOVA) Respons variable mag niet beperkt zijn (moet alle mogelijke waarden aan kunnen nemen) Kategorische response variable: Respons variable sterk beperkt (kan alleen 0 of 1 zijn) probability p zeer beperkt 0 < p < 1
13
Logit transformatie verminderd de beperking van de probability p
Upper bound: delen van p door 1-p Lower bound: logaritmeren ln[p/(1-p)] = kXik + ui Door logit transformatie worden gegenvens: Continu Niet beperkt (- < p < +) Symmetrisch verdeeld om 0 Assumpties van regressie model heersteld Toetsen van hypotheses: H0: ß1=0 (geen relatie tussen binaire response variable en de voorspelde variable)
14
Gebruikte toets: afhankelijk van aantal herhalingen
Groote aantal herhalingen: Wald statistics vergelijkbaar t-toets Weinig herhalingen: 2 statistics G2 = -2ln () = gereduceerd (g(x) = ß0) /full model (g(x) = ß0 + ß1X1) b1 (parameter estimate) = Wald t sb1 (SE van parameter estimate)
15
Assumpties Binominale verdeling van de waarden
Als er meerdere voorspellende waarde zijn: geen colinearitiet Het model (de causaliteit) moet kloppen
16
Voorbeeld causaliteit
Geen onderling verband tussen voorspellende variablen: Phenole, predatoren herbivoren “Bottom up” verband Phenole predatoren herbivoren “Top down” verband Predator phenole herbivoren Toetsen van causaliteit met b.v. padanalyse
17
Als geen onderscheid tussen predictor en respons
Log-linear model (vergelijkbaar met correlatie – analyse)
18
Lengte van de seizoen reproduktie
predictor Respons continu kategorisch mixed regressie ANOVA ANCOVA logistische regressie logit model logistische regressie of logit model Grootte overleven Lengte van de seizoen reproduktie
19
logistische regressie
overleven begingrootte y 50 n 40 49 53 45 55 52 39 41 56 51 20 54 logistische regressie 40 45 50 55 begingrootte n y o v e r l proc logist; model overleven = begingrootte; run; parameter DF estimate SE Chi2 Pr > chi2 intercept 1 11.9 5.3 4.9 0.026 begingrootte -0.3 0.1 5.1 0.024
20
Behandelingen overleven Reproduktie overleven
predictor Respons continu kategorisch mixed regressie ANOVA ANCOVA logistische regressie logit model logistische regressie of logit model Behandelingen overleven Reproduktie overleven Behandelingen reproduktie
21
Logit model licht nutrienten overleven y n proc logist; class licht nutrienten; modeloverleven=licht|nutrienten; run; Effect DF Wald Chi-Square Pr>Chisq Licht 1 4.054 0.033 Nutrienten 0.201 0.647 LxN
22
Behandelingen, grootte overleven
predictor Respons continu kategorisch mixed regressie ANOVA ANCOVA katerorisch logistische regressie logit model logistische regressie of logit model Behandelingen, grootte overleven Lengte van de seizoen, geslacht overleven Bloemkleur, plantgrootte reproduktie
23
logistische regressie met continue covariable
licht nutrienten overleven begingrootte y 50 n 40 49 53 45 55 52 39 41 56 51 20 54 logistische regressie met continue covariable proc logist; class licht nutrienten; model overleven = licht|nutrienten begingrootte; run; Effect DF Wald Chi-Square Pr>Chisq Licht 1 2.289 0.113 Nutrienten 0.055 0.815 LxN 0.689 0.406 begingr 2.516
Verwante presentaties
© 2024 SlidePlayer.nl Inc.
All rights reserved.