Wald vs LR $\chi^2$ pruebas en SPSS modelos lineales generalizados

Question

Estoy usando los modelos lineales generalizados función en SPSS con una distribución normal y la identidad de la función de enlace. Si elijo la razón de verosimilitud $\chi^2$ estadística, puedo obtener los mismos resultados que la MLG Univariante, lo cual no es sorprendente. Sin embargo si utilizo el programa SPSS por defecto de Wald $\chi^2$, me sale muy diferentes $\chi^2$ y los valores de p en la "prueba del modelo de efectos" de la tabla.

¿Cuál es la diferencia entre lo que los dos stats que me están diciendo, y cómo puedo saber que es apropiado utilizar?

Mi conjunto de datos es un continuo de la variable de respuesta con tres factores, uno que incluye un anidada plazo, y una covariable.

Answer 1

Es difícil ser definitiva sin saber todos los detalles de su modelo (por ejemplo, el tamaño de la muestra), pero me gustaría remarcar que el cociente de probabilidad, Wald, y la puntuación de los estimadores son sólo asintóticamente equivalentes. Es decir, se acepta como N $\rightarrow$ $\infty$.

El Wald estimador es generalmente considerado como el menos fiable en términos de Tipo I y error de Tipo II. En GLM aplicaciones, el cociente de probabilidad es preferible. Además, la Wald no es siempre consistente en virtud de las transformaciones. Numerosos estudios abundan los que confirman estas características, y tengo incluso ejecutar simulaciones de mi propia utilizando datos ecológicos.

Con respecto a las limitaciones de la prueba de Wald, véase, por ejemplo:

Miedos, Thomas R.; Benichou, Jacques; y Gail, Mitchell H. (1996); Un recordatorio de la falibilidad de la Wald estadística, El Estadístico Americano 50:226-7

Sin embargo, hay situaciones en las que la Wald podría comportarse mejor. Yo no soy un experto en estos enfoques estadísticos, pero he aquí un ejemplo:

Yanqing Yi y Xikui Wang (2011). Comparación de Wald, la Puntuación, y el Coeficiente de Probabilidad Pruebas para la Respuesta de Adaptación de los Diseños, Revista de Teoría Estadística y Aplicaciones, 10(4): 553-569

Espero que ayude,
Brenden