Устный netlogit выход

Question

я должен сравнить выход из следующих двух моделей:

PTA.Logit.Ctrl <-glm(pta~ally+distance+ltrade+language+igo+affinity, 
       family=binomial(link="logit"),data=pta.ally.dyadic.1990.csv) 

и

PTA.QAPX.Ctrl <- netlogit(pta_network_1990,list(ally_network_1990,distance_1990,trade_1990, language_1990, igos_1990, affinity_1990), intercept=TRUE, mode="graph", diag=FALSE, nullhyp=c("qapx"), reps=100) 

, которые выглядят следующим образом:

и

Теперь выход glm довольно прост, однако я борюсь с выходом в сеть, особенно с точки зрения значимости. Для первой модели сетевые данные используются в двоичной форме, для второй - в матричной форме. Любая помощь в том, как интерпретировать вывод сетевого логита, будет с благодарностью оценена!

Answer 1

В отличие от модели glm, которая является параметрической, модель qap непараметрична, используя подход с перестановкой, который более подходит для сетевых данных. Вы заметили, что коэффициенты схожи (на самом деле, должны быть одинаковыми, так как netlogit использует glm для оценки модели). Тем не менее, p-значения и стандартные ошибки, где модели отличаются. Модель qap переставляет строку и столбцы модельных матриц (в зависимости от принятого подхода, который представляет собой перестановки x) и пересчитывает коэффициенты и статистику тестов. Он делает это для количества раз, указанного в rep=n. Это создает распределение, к которому сравниваются первоначально оцененные статистические данные испытаний. Три столбца в конце (Pr(<=b) и т. Д.) Представляют собой нижние, верхние и двухсторонние тесты, соответственно.

Я проиллюстрирую это игрушечными сетями.

library(igraph); library(ggplot2) 
x<-rgraph(25,2) 
y.l<-x[1,,]*3 
fit <- netlogit(y, x, reps=100, nullhyp = "qapx") 

Вот краткие статистика:

> summary(fit) 

Network Logit Model 

Coefficients: 
      Estimate Exp(b) Pr(<=b) Pr(>=b) Pr(>=|b|) 
(intercept) 0.1859224 1.2043289 1.00 1.00 1.00  
x1   -0.2377116 0.7884300 0.08 0.92 0.13  
x2   -0.2742033 0.7601775 0.03 0.97 0.08  

Вы можете увидеть распределение для каждого члена в модели в netlogit объекта с fit$dist[,2] для x1 и fit$dist[,3] для х2 и тестовой статистики с использованием fit$tstat[2] и fit$tstat[3]

ggplot() + geom_density(aes(fit$dist[,2])) + geom_vline(aes(xintercept=fit$tstat[2])) 

Вы можете видеть, что около 0,08 наблюдений меньше или равно тестовой статистике для x2, тогда как 0,92 больше или равно тестовой статистике.

Мы можем видеть это численно:

> mean(fit$dist[,2] >= fit$tstat[2]) 
[1] 0.92 
> mean(fit$dist[,2] <= fit$tstat[2]) 
[1] 0.08 
> mean(abs(fit$dist[,2]) >= abs(fit$tstat[2])) 
[1] 0.13 

Мы тогда интерпретировать эти р-значения стандартным образом - если бы не было никакой связи между у и x1 (нуль), то вероятность наблюдения тест статистика больше или больше - 0.92 и т. д. Ключ в том, что распределение не является параметрическим распределением, а основано на перестановках данных.