podcast.de
Anmeldung
Anmeldung Registrierung
Auto Hell Dunkel
Erweiterte Suche
  1. Startseite
  2. Podcasts
  3. Mathematik, Informatik und Statistik - Open Access LMU - Teil 01/03 Podcast
  4. Regression Models with Correlated Binary Response Variables: A Comparison of Different Methods in Finite Samples
The present paper deals with the comparison of the performance of
different estimation methods for regression models with correlated
binary responses. Throughout, we consider probit models where an
underlying latent continous random variable crosses a threshold.
The error variables in the unobservable latent model are assumed to
be normally distributed. The estimation procedures considered are
(1) marginal maximum likelihood estimation using Gauss-Hermite
quadrature, (2) generalized estimation equations (GEE) techniques
with an extension to estimate tetrachoric correlations in a second
step, and, (3) the MECOSA approach proposed by Schepers, Arminger
and Küsters (1991) using hierarchical mean and covariance structure
models. We present the results of a simulation study designed to
evaluate the small sample properties of the different estimators
and to make some comparisons with respect to technical aspects of
the estimation procedures and to bias and mean squared error of the
estimators. The results show that the calculation of the ML
estimator requires the most computing time, followed by the MECOSA
estimator. For small and moderate sample sizes the calculation of
the MECOSA estimator is problematic because of problems of
convergence as well as a tendency of underestimating the variances.
In large samples with moderate or high correlations of the errors
in the latent model, the MECOSA estimators are not as efficient as
ML or GEE estimators. The higher the `true' value of an
equicorrelation structure in the latent model and the larger the
sample sizes are, the more is the efficiency gain of the ML
estimator compared to the GEE and MECOSA estimators. Using the GEE
approach, the ML estimates of tetrachoric correlations calculated
in a second step are biased to a smaller extent than using the
MECOSA approach.

Weitere Episoden

Quantifying overdispersion effects in count regression data

Quantifying overdispersion effects in count regression data

vor 24 Jahren
Graphical chain models for the analysis of complex genetic diseases: an application to hypertension

Graphical chain models for the analysis of complex genetic diseases: an application to hypertension

vor 24 Jahren
Geo-additive models of Childhood Undernutrition in three Sub-Saharan African Countries

Geo-additive models of Childhood Undernutrition in three Sub-Saharan African Countries

vor 24 Jahren
Parametric and Nonparametric Regression with Missing X's - A Review

Parametric and Nonparametric Regression with Missing X's - A Review

vor 24 Jahren
A Selection Model for Bivariate Normal Data, with a Flexible Nonparametric Missing Model and a Focus on Variance Estimates

A Selection Model for Bivariate Normal Data, with a Flexible Nonparametric Missing Model and a Focus on Variance Estimates

vor 24 Jahren
Alle Episoden anzeigen
In Podcasts werben
Schalte jetzt Werbung in Podcasts.
Episode melden

„Regression Models with Correlated Binary Response Variables: A Comparison of Different Methods in Finite Samples“

Worum geht es? Danach fragen wir noch nach dem Grund.

Abonnenten

Teilen

Mein Archiv

Deine Privatkopie der Folgen, die du nicht verlieren willst.

Podcast-Folgen verschwinden. Feeds werden auf die letzten Episoden gekürzt, Hoster räumen alte Dateien ab, Formate wechseln den Anbieter und lassen ihr Archiv zurück. Mit „Mein Archiv“ sichert podcast.de die Folgen deiner Podcasts für dich — angefangen bei den ältesten, denn die sind zuerst weg.

  • Deine gesicherten Folgen bleiben hörbar, auch wenn das Original offline geht.
  • Auch Folgen, die im heutigen Feed gar nicht mehr stehen — podcast.de kennt sie noch.
  • Herunterladen bleibt möglich, solange die Folge beim Podcaster liegt. Der zählt seine Abrufe wie bisher.
Startet bald

Sei beim Start von Mein Archiv dabei

Mein Archiv ist fast fertig. Trag dich ein, dann bekommst du eine E-Mail, sobald es losgeht – und bist von Anfang an dabei. Wir schreiben dir nur zum Start, keine Werbung, keine Weitergabe deiner Daten.

Du bekommst zuerst eine Bestätigungsmail. Abmelden geht jederzeit. Datenschutz