用R语言进行数据分析:常规和广义线性模型
线性模型
对于常规的多重模型(multiple model)拟合,最基本的函数是lm()。 下面是调用它的方式的一种改进版:
>fitted.model
例如
> fm2
将会拟合 y 对 x1 和 x2 的多重回归模型(和一个隐式的截距项)。
一个重要的(技术上可选)参数是data = production。它指定任何构建这个模型的参数首先必须来自数据框production。这里不需要考虑数据框production是否被绑定在搜索路径中。
广义线性模型
广义线性建模是线性模型在研究响应值的非正态分布以及非线性模型的简洁直接的线性转化 时的一种发展。 广义线性模型 是基于下面一系列 假设前提的:
有一个响应变量 y和一系列有趣的刺激变量(stimulus variable) x_1, x_2,…。 这些刺激变量决定响应变量的最终分布。
刺激变量仅仅通过一个线性函数影响响应值y 的分布。 该线性函数称为线性预测器(linear predictor),常常写成
eta = beta_1 x_1 + beta_2 x_2 +...+ beta_p x_p,
因此 x_i 当且仅当 beta_i 等于0时对 y 的分布没有影响。
y 分布的形式为
f_Y(y; mu, phi)
= exp((A/phi) * (y lambda(mu) - gamma(lambda(mu))) + tau(y, phi))
其中 phi 是度量参数(scale parameter)(可能已知),对所有观测 恒定;A 是一个先验的权重,假定知道但是 可能随观测不同有所不同;mu是 y 的均