2019-01-13
阅读量:
901
什么是广义线性模型
但在许多情况下,假设因变量为正态分布(甚
至连续型变量)并不合理,例如下面这几种情况。
结果变量可能是类别型的。二值变量(比如:是/否、通过/未通过、活着/死亡)和多分类
变量(比如差/良好/优秀)都显然不是正态分布。
结果变量可能是计数型的(比如,一周交通事故的数目,每日酒水消耗的数量)。这类变
量都是非负的有限值,而且它们的均值和方差通常都是相关的(正态分布变量间不是如
此,而是相互独立)。
广义线性模型扩展了线性模型的框架,它包含了非正态因变量的分析。
在本章中,我们将首先简要概述广义线性模型,并介绍如何使用glm()函数来进行估计。然
后重点关注该框架中两种流行的模型: Logistic回归(因变量为类别型)和泊松回归(因变量为
计数型)。
为了让讨论更有吸引力,我们将把广义线性模型应用到两个用标准线性模型无法轻易解决的
问题上。
什么样的个人信息、人口统计信息和人际关系信息可以作为变量,用来预测婚姻出轨问
题?此时,结果变量为二值型(出轨/未出轨)。
药物治疗对于八周中所发生的癫痫次数有何影响?此时,结果变量为计数型(癫痫次数)。
我们将利用Logistic回归来阐释第一个问题,用泊松回归阐释第二个问题。建模过程中,将
还考虑对每种方法进行扩展。






评论(0)


暂无数据
推荐帖子
0条评论
0条评论
1条评论