réduction de biais pour GNU R dans les modèles linéaires généralisés
Il s’agit d’estimation et d’inférence à partir de modèles linéaires
généralisés basés sur divers méthodes pour la réduction du biais et le
maximum de vraisemblance pénalisée avec des puissances de l’a priori de
Jeffreys comme pénalité. La méthode « brglmFit » d’adaptation peut
réaliser la réduction du biais d’estimation en résolvant les équations de
score ajusté selon la réduction de biais moyen dans Firth (1993)
<doi:10.1093/biomet/80.1.27> et Kosmidis et Firth (2009)
<doi:10.1093/biomet/asp055>, ou les équations de résultat ajusté selon la
réduction de biais médian dans Kenne et al. (2017)
<doi:10.1093/biomet/asx046>, ou à travers la soustraction directe d’une
estimation du biais de l’estimateur du maximum de vraisemblance à partir
de estimations du maximum de vraisemblance comme dans Cordeiro et
McCullagh (1991) <https://www.jstor.org/stable/2345592>. Consulter
Kosmidis et al (2020) <doi:10.1007/s11222-019-09860-6> pour plus de
détails. L’estimation dans tous les cas se fait à travers un quasi
algorithme de score de Fisher et des méthodes S3 pour la construction
d’intervalles de confiance pour les estimations avec réduction de biais
sont fournies. Dans le cas spécial de modèles linéaires généralisés pour
les réponses binomiales et multinomiales (ordinal et nominal), les
approches de score ajusté pour la réduction de biais moyen et médian
ont été trouvées pour renvoyer des estimations avec propriétés
fréquentistes améliorées, qui sont aussi toujours finies, même dans le cas
où les estimations du maximum de vraisemblance sont infinies (par exemple,
séparation complète et quasi complète consulter Kosmidis et Firth, 2020
<doi:10.1093/biomet/asaa052>, pour une démonstration de réduction de biais
moyen dans la régression logistique).
