Kolme pistettä Poisson vs. normaali regressiosta, kaikki koskevat mallin määrittelyä:
Ennustimien muutosten vaikutus
Jatkuvalla ennustimella, kuten matematiikkatestipisteet Poissonin regressio (tavallisella lokilinkillä) tarkoittaa, että ennustimen yksikkömuutos johtaa prosentuaaliseen muutokseen palkintojen määrässä, eli 10 lisäpistettä matematiikkakokeessa liittyy esim. 25 prosenttia enemmän palkintoja. Tämä riippuu opiskelijoiden ennustettavien palkintojen määrästä. Sitä vastoin Normaali regressio yhdistää 10 pistettä enemmän kiinteään määrään, eli 3 lisäpalkintoa kaikissa olosuhteissa. Sinun pitäisi olla tyytyväinen tähän oletukseen, ennen kuin käytät mallia, joka tekee siitä. (fwiw mielestäni se on hyvin kohtuullista, modulo seuraava kohta.)
Opiskelijoiden käsittely ilman palkintoja
Ellei palkintoja ole todella paljon paljon opiskelijoita, palkintosi ovat enimmäkseen melko alhaiset. Itse ennustan nollainflaation, ts. Useimmat opiskelijat eivät saa mitään palkintoja, niin paljon nollia, ja jotkut hyvät opiskelijat saavat melkoisen määrän palkintoja. Tämä sekaantuu Poisson-mallin oletuksiin ja on ainakin yhtä huono Normal-mallille.
Jos sinulla on kohtuullinen määrä dataa, nolla-paisutettu tai este-malli olisi luonnollinen. Tämä on kaksi mallia, jotka on sidottu toisiinsa: yksi ennustaa, saako opiskelija palkintoja, ja toinen ennustamaan, kuinka monta hän saa, jos hän saa ollenkaan (yleensä jonkinlainen Poisson-malli). Odotan kaiken toiminnan olevan ensimmäisessä mallissa.
Palkintojen yksinoikeus
Lopuksi pieni huomautus palkinnoista. Jos palkinnot ovat yksinomaisia, ts. Jos yksi opiskelija saa palkinnon, mikään muu opiskelija ei voi saada palkintoa, niin lopputuloksesi yhdistetään yksi laskenta opiskelijalle laskee kaikkien muiden mahdollisen määrän. Onko tämä syytä huolestua, riippuu palkintorakenteesta ja opiskelijaryhmän koosta. Jättäisin sen huomiotta ensimmäisellä kierroksella.
Yhteenvetona voidaan todeta, että Poisson hallitsee mukavasti Normalia erittäin lukemattomia lukuun ottamatta, mutta tarkista Poissonin oletukset, ennen kuin nojaa siihen voimakkaasti johtopäätösten tekemiseksi, ja ole valmis siirtymään tarvittaessa hieman monimutkaisempaan malliluokkaan.