scientific article; zbMATH DE number 1376314
Wir beschäftigen uns in dieser Arbeit mit der Modellierung von kategorialen Zielvariablen, die entweder innerhalb eines Clusters abhängig sind oder aber einen zeitlichen Zusammenhang aufgrund einer wiederholten Beobachtung aufweisen. Diese Datenkonstellation tritt in der Praxis sehr häufig auf. So wurde beispielsweise in der Waldschadensstudie, die wir im Abschnitt 1.1 ausführlich beschreiben, der Schädigungsgrad verschiedener Baumarten in den Kategorien ``keine, ``leichte und ``deutliche bis starke Schädigung gemessen. Während des Studienzeitraums wurden die Standorte der Bäume von 1983 bis 1994 jährlich besucht. Damit liegen zeitlich abhängige, 3-kategoriale Zielvariablen vor. Ziel der statistischen Analyse ist die Bestimmung des Einflusses von Kovariablen, wie Bestandsalter, Beschirmungsgrad am Standort und pH-Wert des Bodens, auf den mittleren Schädigungsgrad der Baumarten. Fragestellungen dieser Art können mit marginalen Modellen, die den Einfluß von erklärenden Variablen auf die Kategoriewahrscheinlichkeiten (Responsewahrscheinlichkeiten) der Zielvariablen (Responsevariablen) quantifizieren, bearbeitet werden. Die bisher in der Literatur vorgeschlagenen Ansätze verwenden zur Modellierung des Kovariableneinflusses fast ausschließlich feste, parametrische Kovariableneffekte. Die zentrale Idee der vorliegenden Arbeit ist, diese oft zu restriktive Annahme fallenzulassen und mit Effekten zu arbeiten, die in Abhängigkeit von anderen Kovariablen variieren. Auf das Waldschadensbeispiel angewandt, bedeutet dies, daß wir die Effekte der Alterskategorien, die wir mit \(A^{(1)}\) und \(A^{(2)}\) bezeichnen, in Abhängigkeit von der Zeit variieren lassen. Für den Einfluß des pH-Werts \(PH\) nehmen wir eine flexible, nichtparametrische funktionale Form an. Die Effekte der Kategorien des Beschirmungsgrades \(CD^{(1)}\) und \(CD^{(2)}\) modellieren wir dagegen mit festen Parametern. Damit können wir zur Modellierung der ordinalen Struktur der Zielvariablen das kumulative logistische Modell \[ \text{logit} \bigl( pr(Y_t\leq r)\bigr)= \gamma_r(t)+ \gamma_3(t)A^{(1)} +\gamma_4 (t)A^{(2)} +\gamma_5 (PH_t)+ \gamma_6CD_t^{(1)} +\gamma_7 CD_t^{(2)} \] \[ \text{mit }r=1,2 \text{ und logit} \biggl(pr(Y_t\leq r)\biggr) =\ln\biggl(pr (Y_t\leq r)/(1-pr\bigl( Y_t\leq r))\biggr) \] verwenden.
- Tree-structured modelling of varying coefficients
- scientific article; zbMATH DE number 472973
- Structured Additive Regression for Categorical Space–Time Data: A Mixed Model Approach
- Tree-based modeling of time-varying coefficients in discrete time-to-event models
- Marginal Regression Model with Time-Varying Coefficients for Panel Data
This page was built for publication:
Report a bug (only for logged in users!)Click here to report a bug for this page (MaRDI item Q3836613)
