Modele de regression poisson

Pour mieux comprendre notre modèle, nous pouvons calculer le nombre attendu de poissons capturés pour différentes combinaisons de nos prédicteurs. En fait, puisque nous travaillons avec des prédicteurs essentiellement catégoriques, nous pouvons calculer les valeurs attendues pour toutes les combinaisons à l`aide de la fonction Expand. Grid pour créer toutes les combinaisons, puis la fonction de prédiction pour le faire. Nous supprimons également toutes les lignes où le nombre d`enfants dépasse le nombre de personnes, ce qui n`a pas de sens logiquement, à l`aide de la fonction de sous-ensemble. Enfin, nous créons un graphe. Les résultats sont des estimations de paramètres alternées et des erreurs standard. C`est-à-dire que la première ligne a la première estimation de paramètre de notre modèle. Le second a l`erreur standard pour le premier paramètre. La troisième colonne contient les erreurs standard bootstrap, qui sont considérablement plus grandes que celles estimées par zeroinfl.

La régression de poisson à gonflement zéro est utilisée pour modéliser les données de comptage qui ont un excès de nombre zéro. En outre, la théorie suggère que les zéros excédentaires sont générés par un processus distinct à partir des valeurs de comptage et que les zéros excédentaires peuvent être modélisés indépendamment. Ainsi, le modèle zip a deux parties, un modèle de comptage de poisson et le modèle logit pour prédire les zéros excédentaires. Vous souhaiterez peut-être consulter ces pages d`exemple d`analyse de données, régression de poisson et régression logit. Notez que la sortie du modèle ci-dessus n`indique en aucune façon si notre modèle à gonflement zéro est une amélioration par rapport à une régression de poisson standard. Nous pouvons le déterminer en exécutant le modèle de poisson standard correspondant, puis en effectuant un test Vuong des deux modèles. Le modèle le plus parcimonieux inclut uniquement la variable attribuée aléatoirement qui spécifie les coûts de déplacement plus élevés (COST). Les résultats du modèle 1 indiquent que les pêcheurs se comportent selon la théorie économique. Au fur et à mesure que les coûts des voyages augmentent, ils sont moins enclins à continuer à prendre des voyages. Le coefficient de la variable de coût a une statistique Wald égale à 13,43, ce qui est significatif au niveau .01 (niveau de confiance de 99%) avec une valeur critique de 6,635 [DF = 1].

Le modèle global est significatif au niveau .01 selon la statistique du modèle Khi-carré. Le modèle prédit 61% des réponses correctement. Le R2 de McFadden est. 053 (Amemiya, 1981). La variable dépendante qui mesure la volonté de prendre des voyages de pêche à des coûts différents est oui. Oui est égal à 1 si l`intimé prendrait encore des voyages de pêche si le coût était $ [coût] plus élevé, où le coût est un montant aléatoire varié, et 0 autrement. Étant donné que la variable dépendante est discrète, la régression des moindres carrés ordinaires peut être utilisée pour s`adapter à un modèle de probabilité linéaire (LP). Cependant, le modèle de probabilité linéaire est hétérokedastique et peut prédire des valeurs de probabilité au-delà de la plage (0,1), le modèle de régression logistique est utilisé pour estimer les facteurs qui influencent le comportement de prise de voyage (Stynes et Peterson, 1984; Greene, 1997).

En plus de prédire le nombre de poissons capturés, il est intéressant de prédire l`existence de zéros excédentaires, c.-à-d. la probabilité qu`un groupe ait attrapé zéro poisson. Nous utiliserons les variables enfant, personnes et campeur dans notre modèle. Regardons les données. Le «ratio de cotes» pour le coefficient employé est de 3,96 avec un intervalle de confiance de 95% de [1,23, 12,78]. Cela suggère que ceux qui sont employés sont presque 4 fois plus susceptibles de prendre des voyages que ceux qui sont au chômage (voir want, Eddy, et Fitzhugh, 1995). Le «ratio de cotes» pour le coefficient SEX est de 2,67 avec un intervalle de confiance de 95% de [1,05, 6,78]. Cela suggère que les mâles sont presque 2,67 fois plus susceptibles de prendre des voyages que les femelles. Étant donné que les autres variables indépendantes sont soit insensiblement différentes de zéro ou continue, l`interprétation de l`amplitude n`a guère de sens dans la régression logistique. Nous pouvons obtenir des intervalles de confiance pour les paramètres et les paramètres exponentiés à l`aide du bootstrapping.