广义线性回归模型之泊松回归（logit/probit回归）—R语言实现+仙客来数据集+交叉验证

最新推荐文章于 2025-03-04 08:59:33 发布

@Irene

最新推荐文章于 2025-03-04 08:59:33 发布

阅读量5.7k

点赞数 1

分类专栏： R语言案例分享

本文链接：https://blog.csdn.net/qq_42871249/article/details/104558902

版权

本文详细介绍了Poisson回归模型在广义线性模型中的应用，针对散布问题和零膨胀问题提出了解决方案，并通过R语言的代码示例进行演示。在仙客来数据集上进行分析，展示了如何处理过散布和零膨胀，以及实施交叉验证的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Poisson回归模型

Poisson回归也是广义线性回归模型中的一中，详细介绍可见之前的博客：
https://blog.csdn.net/qq_42871249/article/details/104339650
在这里插入图片描述

使用 Poisson回归模型时的两个问题

由于广义线性模型的假定很强, 所以当实际数据与假定的分布不符时会产生一些问题. Poisson回归模型也不例外, 人们目前主要关注的是以下两个问题：

一、散布问题

在Poisson回归模型中, 假定方差和均值相等, 当方差大于或小于均值时就会出现过散布(overdispersion)问题或欠散布 (underdispersion) 问题. 使用 Poisson回归模型时出现的散布问题的最简单解决办法是使用提到的准 Poisson回归模型, 而且还可以说明方差和均值的关系。准 Poisson 模型拟合代码示例：
glm(y~.,data,family=quasi(variance=“mu^2”,link=“log”))
这里的选项variance=“mu^2” 就把方差看成随着均值平方变化的函数, 这个选项可以输入"constant", “mu(1-mu)”, “mu”, “mu^2”, “mu^3”, 等等.

二、零膨胀问题

在这里插入图片描述

代码介绍：

同样使用：glm(formula, family = gaussian, data, weights, subset, na.action, start = NULL, etastart, mustart, offset, control = glm.control(…), model = TRUE, method = “glm.fit”, x = FALSE, y = TRUE, contrasts = NULL, …)
不同之处在于参数family=possion()

仙客来案例分析

仙客来数据集包含三个自变量，因变量是Flowers开花数目。
在这里插入图片描述
直接上代码

w=read.csv("cyclamen.csv");n=nrow(w);m=ncol(w)
for(i in c(1,2,5))w[,i]=factor(w[,i])
table(w[,c(1,2,5)])

w=read.csv("cyclamen.csv");n=nrow(w)
for(i in c(1,2,5))w[,i]=factor(w[,i])
w=w[,-(3:4)]#不需要三行四行所以去掉
a=glm(Flowers~

最低0.47元/天解锁文章