�ݺ�ߣ

Regression Basic
Maximum Likelihood Estimator(MLE)
Jinseob Kim
July 15, 2015
Jinseob Kim Regression Basic July 15, 2015 1 / 26

Introduction
Contents
1 Introduction
2 Regression Review
Basic linear regression
MLE에서 주요 지표
3 Logistic Regression
4 Poisson Regression

Introduction
생각의 단순화
Y 가 연속형?
1 진짜 연속 VS 가짜연속(Count data)
2 연속: 정규분포!!!!!! → 일반 회귀분석
3 Count: 발생 수, 자녀 수 etc.. : 포아송, 감마, 음이항 등
Y 가 범주형?
1 2범주 VS 3범주이상
2 2범주 : 로지스틱
3 3범주이상 : 프로빗 등..
Y 가 독립이 아님?: 반복측정, 멀티레벨 등.. 본강의에선 제외

Introduction
단변량 VS 다변량
단변량(univariate) VS 다변량(multivariate)
1 Association 얼마나 있느냐
1 다른 것의 효과를 보정한 후에도 Association이 있는가?

Regression Review
Contents
1 Introduction
2 Regression Review

Regression Review Basic linear regression
Remind
β estimation in linear regression
1 Ordinary Least Square(OLS): semi-parametric
2 Maximum Likelihood Estimator(MLE): parametric
대부분의 회귀분석에서 추정원칙

Least Square(최소제곱법)
제곱합을 최소로: y 정규성에 대한 가정 필요없다.
Figure: OLS Fitting

Likelihood??
가능도(likelihood) VS 확률(probability)
Discrete: 가능도 = 확률 - 주사위 던져 1나올 확률은 1
6
Continuous: 가능도 != 확률 - 0∼1 에서 숫자 하나 뽑았을 때 0.7일
확률은 0...

Maximum likelihood estimator(MLE)
최대가능도추정량: 1, · · · , n이 서로 독립이라하자.
1 각각의 가능도를 구한다.
2 가능도를 전부 곱하면 전체 사건의 가능도 (독립이니까)
3 가능도를 최대로 하는 β를 구한다.
즉, 정규분포 가정 하에 갖고 있는 데이터가 나올 가능성을 최대로 하는 β
를 구한다.

MLE: 최대가능도추정량
데이터가 일어날 가능성을 최대로: y또는 분포가정필요.
최소제곱추정량과 동일

Regression Review MLE에서 주요 지표
LRT? Ward? score?
Likelihood Ratio Test VS Ward test VS score test
1 통계적 유의성 판단하는 방법들.
2 가능도비교 VS 베타값비교 VS 기울기비교/

비교
Figure: Comparison

AIC
우리가 구한 모형의 가능도를 L이라 하면.
1 AIC = −2 × log(L) + 2 × k
2 k: 설명변수의 갯수(성별, 나이, 연봉...)
3 작을수록 좋은 모형!!!
가능도가 큰 모형을 고르겠지만.. 설명변수 너무 많으면 페널티!!!

Examples
## Loading required package: splines
##
## Call:
## glm(formula = nonacc ~ meanpm10 + meanso2 + meanno2 + meanco +
## maxo3 + meantemp + meanhumi + meanpress, data = mort)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -81.089 -15.398 -4.053 11.979 117.643
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 782.542027 37.581693 20.822 < 2e-16 ***
## meanpm10 0.047872 0.008661 5.528 3.29e-08 ***
## meanso2 -2.036635 0.087065 -23.392 < 2e-16 ***
## meanno2 1.758609 0.021575 81.513 < 2e-16 ***
## meanco -2.844671 0.078291 -36.335 < 2e-16 ***
## maxo3 -0.252572 0.013237 -19.081 < 2e-16 ***
## meantemp -0.373984 0.032410 -11.539 < 2e-16 ***
## meanhumi -0.202591 0.014763 -13.723 < 2e-16 ***
## meanpress -0.725117 0.036518 -19.856 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 530.2808)
##
## Null deviance: 13933228 on 17354 degrees of freedom
## Residual deviance: 9198250 on 17346 degrees of freedom
## (207 observations deleted due to missingness)
## AIC: 158137
## Jinseob Kim Regression Basic July 15, 2015 14 / 26

Logistic Regression
Contents
1 Introduction
2 Regression Review

Logistic Regression
Logistic function: MLE
Case-control study: Y 가 0 or 1
Figure: Fitting Logistic Function

Logistic Regression
Model
Log(
pi
1 − pi
) = β0 + β1 · xi1
pi = P(Yi = 1) =
exp(β0 + β1 · xi1)
1 + exp(β0 + β1 · xi1)
P(Yi = 0) =
1
1 + exp(β0 + β1 · xi1)
P(Yi = yi ) = (
exp(β0 + β1 · xi1)
1 + exp(β0 + β1 · xi1)
)yi
(
1
1 + exp(β0 + β1 · xi1)
)1−yi

Logistic Regression
Likelihood
Likelihood=
n
i=1
P(Yi = yi ) =
n
i=1
(
exp(β0 + β1 · xi1)
1 + exp(β0 + β1 · xi1)
)yi
(
1
1 + exp(β0 + β1 · xi1)
)1−yi
개인별로 가능도(데이터의 상황이 나올 확률)이 나온다.
그것들을 다 곱하면 Likelihood
이것을 최소로 하는 β를 구하는 것.
Case나 Control이나 따로따로 Likelihood를 구한다.

Logistic Regression
해석
Log(
pi
1 − pi
) = β0 + β1 · xi1
x1이 증가할수록 Log( p
1−p )이 β1만큼 증가한다.
p
1−p 이 exp(β1)배가 된다.
Odds Ratio = exp(β1)

Poisson Regression
Contents
1 Introduction
2 Regression Review

Poisson Regression
가짜 연속: 정규분포 쓸 수 있는가?
발생, 사망수 : 자연수
확률이 어느정도 된다면 이벤트라면 그냥 정규분포 가정해도 무방.
드문 이벤트라면??

Poisson Regression
이항분포 & 정규분포 & 포아송분포
이항분포: 발생확률 p인 일을 n번 수행.
정규분포: n이 무한대일 때 이항분포
포아송분포: n → ∞, p → 0, 또는 np → λ 라면
n!
(n − k)!k!
pk
(1 − p)n−k
→ e−λ λk
k!

Poisson Regression
Figure: Poisson distribution

Poisson Regression
Poisson regression model
log(E(Y | x)) = α + β x
즉, log(평균발생)과 선형관계가 있다. 또는
E(Y | x) = eα+β x
Log(RR) = exp(β)
MLE추정은 https://en.wikipedia.org/wiki/Poisson_regression
참조

Poisson Regression
Examples
##
## Call:
## glm(formula = nonacc ~ meanpm10 + meanso2 + meanno2 + meanco +
## maxo3 + meantemp + meanhumi + meanpress, family = poisson,
## data = mort)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -16.7854 -2.7891 -0.8845 1.6723 16.4589
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.160e+01 2.670e-01 80.90 <2e-16 ***
## meanpm10 1.318e-03 5.916e-05 22.28 <2e-16 ***
## meanso2 -4.389e-02 6.286e-04 -69.82 <2e-16 ***
## meanno2 4.168e-02 1.379e-04 302.27 <2e-16 ***
## meanco -8.808e-02 6.387e-04 -137.90 <2e-16 ***
## maxo3 -6.130e-03 9.672e-05 -63.38 <2e-16 ***
## meantemp -1.170e-02 2.388e-04 -48.99 <2e-16 ***
## meanhumi -4.194e-03 1.042e-04 -40.25 <2e-16 ***
## meanpress -1.748e-02 2.596e-04 -67.36 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for poisson family taken to be 1)
##
## Null deviance: 328676 on 17354 degrees of freedom
## Residual deviance: 210104 on 17346 degrees of freedom
## (207 observations deleted due to missingness)
## AIC: 300091
##
## Number of Fisher Scoring iterations: 5Jinseob Kim Regression Basic July 15, 2015 25 / 26

Poisson Regression
END
Email : secondmath85@gmail.com
Oﬃce: (02)880-2473
H.P: 010-9192-5385

�ݺ�ߣ

Regression Basic : MLE

More Related Content

Regression Basic : MLE