Использование обобщенного метода моментов (GMM) для расчета параметра логистической регрессии

13

Я хочу вычислить коэффициенты для регрессии, которая очень похожа на логистическую регрессию (На самом деле логистическая регрессия с другим коэффициентом: когда может быть дано). Я думал об использовании GMM для вычисления коэффициентов, но я не уверен, какие условия момента я должен использовать.

A1+e(b0+b1x1+b2x2+),
A

Кто-нибудь может мне помочь с этим?

Благодарность!

user5497
источник
Когда вы говорите « может быть дано», вы имеете в виду, что он указан пользователем или оценивается моделью? A
Макро
так или иначе. Я могу поставить его как вход (например, А = 0,25) или быть одним из коэффициентов, которые будут найдены
user5497
Отличается ли он от субъекта к субъекту (т.е. это данные) или это фиксированная константа во всех наблюдениях?
Макро
исправлено во всех наблюдениях (например, b0, b1, ...)
user5497
2
Почему бы не использовать максимальную вероятность вместо GMM?
Макро

Ответы:

6

Предполагая , эта модель имеет переменную отклика Бернулли Y i сA1Yя

Pr(Yi=1)=A1+eXib,

где (и, возможно, A , в зависимости от того, рассматривается ли это как константа или параметр) - это подогнанные коэффициенты, а X i - данные для наблюдения i . Я предполагаю, что термин перехват обрабатывается путем добавления переменной с постоянным значением 1 в матрицу данных.bAXii

Моментальные условия:

E[(YiA1+eXib)Xi]=0.

N

m=1Ni=1N[(YiA1+eXib)Xi]=0

mmb

A

dat <- as.matrix(cbind(data.frame(IsVersicolor = as.numeric(iris$Species == "versicolor"), Intercept=1), iris[,1:4]))
head(dat)
#      IsVersicolor Intercept Sepal.Length Sepal.Width Petal.Length Petal.Width
# [1,]            0         1          5.1         3.5          1.4         0.2
# [2,]            0         1          4.9         3.0          1.4         0.2
# [3,]            0         1          4.7         3.2          1.3         0.2
# [4,]            0         1          4.6         3.1          1.5         0.2
# [5,]            0         1          5.0         3.6          1.4         0.2
# [6,]            0         1          5.4         3.9          1.7         0.4

Вот коэффициенты, подобранные с использованием логистической регрессии:

summary(glm(IsVersicolor~., data=as.data.frame(dat[,-2]), family="binomial"))
# Coefficients:
#              Estimate Std. Error z value Pr(>|z|)    
# (Intercept)    7.3785     2.4993   2.952 0.003155 ** 
# Sepal.Length  -0.2454     0.6496  -0.378 0.705634    
# Sepal.Width   -2.7966     0.7835  -3.569 0.000358 ***
# Petal.Length   1.3136     0.6838   1.921 0.054713 .  
# Petal.Width   -2.7783     1.1731  -2.368 0.017868 *  

(YiA1+eXib)Xii

moments <- function(b, X) {
  A <- 1
  as.vector(X[,1] - A / (1 + exp(-(X[,-1] %*% cbind(b))))) * X[,-1]
}

b

init.coef <- lm(IsVersicolor~., data=as.data.frame(dat[,-2]))$coefficients
library(gmm)
fitted <- gmm(moments, x = dat, t0 = init.coef, type = "iterative", crit = 1e-19,
              wmatrix = "optimal", method = "Nelder-Mead",
              control = list(reltol = 1e-19, maxit = 20000))
fitted
#  (Intercept)  Sepal.Length   Sepal.Width  Petal.Length   Petal.Width  
#      7.37849      -0.24536      -2.79657       1.31364      -2.77834  
# 
# Convergence code =  0 

Код сходимости 0 указывает на сходящуюся процедуру, а параметры идентичны тем, которые возвращаются логистической регрессией.

momentEstim.baseGmm.iterativegmm:::.obj1mmoptimgmm

gmm.objective <- function(theta, x, momentFun) {
  avg.moment <- colMeans(momentFun(theta, x))
  sum(avg.moment^2)
}
optim(init.coef, gmm.objective, x=dat, momentFun=moments,
      control = list(reltol = 1e-19, maxit = 20000))$par
#  (Intercept) Sepal.Length  Sepal.Width Petal.Length  Petal.Width 
#    7.3784866   -0.2453567   -2.7965681    1.3136433   -2.7783439 
josliber
источник