Fråga:
Varför uppskatta linjära och fullständiga (linjära, kvadratiska och korrelerande) urvalskoefficienter separat?
rg255
2014-12-09 19:31:10 UTC
view on stackexchange narkive permalink

"Vi anpassade sedan en linjär regression inklusive alla tre livshistoriska egenskaper för att uppskatta vektorn av linjära selektionsgradienter, β, för varje kön (Lande och Arnold 1983). En kvadratisk regressionsmodell som innehåller alla linjära, kvadratiske , och tvärprodukttermer användes sedan för att uppskatta matrisen för icke-linjära selektionsgradienter, γ, för varje kön. "

Detta är från tidningen Bevis för stark sexkonflikt med intral fokus i den indiska malm, Ploida interpunctella . Jag är inte säker på varför de uppskattar dessa lutningar separat istället för att ta dem bara från en hel modell - några förslag? Är detta normalt eller har de gjort det av en anledning?

För några liknande arbeten, se dessa två artiklar:

  • Gosden et al som bara verkar använda linjära gradienter från en modell med kön som effekt.

  • Stearns et al som använder linjär, kvadratisk och korrelerad uppskattning från en multipel regressionsmodell per kön (liknar huvudpapper som jag citerar först men inte använder en linjär term endast modell för linjär koefficient).

Jag har mailade motsvarande författare på det citerade papperet för att fråga varför, jag meddelar dig vad han säger om han svarar

Ett svar:
fileunderwater
2014-12-09 20:05:36 UTC
view on stackexchange narkive permalink

Detta följer direkt av Lande & Arnold (1983) och säger:

Linjär multipel regression kan användas först för att uppskatta krafterna för riktningsval , $ \ beta $ och deras standardfel. Sedan kan en kvadratisk multipel regression (16) eller (Al) användas för att uppskatta krafterna för stabiliserande urval, $ \ gamma $, med deras standardfel. Regressionen (16) ger den bästa kvadratiska approximationen till den selektiva ytan (även om giltiga uppskattningar av $ \ beta $ endast kan erhållas från en rent linjär regression eller genom att använda den ortogonala regressionen (Al)).

Anledningen är att uppskattningarna av riktningsval påverkas av de högre ordningsvillkoren i hela modellen som inkluderar kvadratisk och korrelationsval, och den linjära modellen har därför de bästa uppskattningarna av förändringen i medelvärdet över en generation urval ($ s = \ bar {z} _ {efter} - \ bar {z} _ {före} $). Hela modellen är dock den bättre representationen av träningsytan. Det finns också andra metoder för att approximera konditionsytan.

För ordens skull använde jag samma tillvägagångssätt i mitt magisterarbete för många år sedan.

Tack - vad gjorde du din magisteruppsats om och vem med? (Jag gjorde min på multivariat icke-linjärt urval i en sekundär sexuell egenskap, därför borde jag ha känt svaret på ovanstående, det har bara varit för länge!) Prata i chatt?
Efter att ha läst igenom Lande Arnold-papperet kommer detta bara att vara problematiskt "* Om teckenfördelningen före valet visar multivariat skevhet (icke-noll tredje ögonblick) är de linjära och kvadratiska termerna korrelerade och uppskattningar av β beror på om de kvadratiska termerna ingår i regressionen. * "Således, om jag förstår rätt, kan du använda ortogonala polynom med" poly (x, 2) "i R * eller * kör en modell med endast linjär och en andra modell med båda den linjära * och * kvadratiska termen. Är det rätt?
Det tredje ögonblicket i meningen betyder * skevhet *. Betyder det samma sak som kovarians = 0?


Denna fråga och svar översattes automatiskt från det engelska språket.Det ursprungliga innehållet finns tillgängligt på stackexchange, vilket vi tackar för cc by-sa 3.0-licensen som det distribueras under.
Loading...