解释模型参数

2019独角兽企业重金招聘Python工程师标准>>>

• 获取系数

#还是引用癫痫的例子
> coef(fit)    #使用coef()获取拟合模型的系数，包括截距项
 (Intercept)         Base          Age Trtprogabide 
  1.94882593   0.02265174   0.02274013  -0.15270095 
> summary(fit)$coefficients    #通过summary()函数的结果中获取coefficient数据
                Estimate   Std. Error   z value     Pr(>|z|)
(Intercept)   1.94882593 0.1356191170 14.369847 8.000803e-47
Base          0.02265174 0.0005093011 44.476125 0.000000e+00
Age           0.02274013 0.0040239969  5.651131 1.593953e-08
Trtprogabide -0.15270095 0.0478051047 -3.194239 1.401998e-03

• 分析系数

在泊松回归中，因变量以条件条均的对数形式 来建模。

年龄的回归参数为0.0227，表名保持其他预测变量不变，年龄增加一岁，癫痫发病数的对数均值将相应增加0.03。

截距项即当预测变量为0时，癫痫发病数的对数均值。由于不可能为0岁，所以截距项没有意义

• 指数化

通常在因变量的初始尺度（癫痫发病数，而非发病数的对数）上解释回归系数较容易

> exp(coef(fit))
 (Intercept)         Base          Age Trtprogabide 
   7.0204403    1.0229102    1.0230007    0.8583864 

年龄：保持其他的变量不变，年龄增加一岁，其他的癫痫病将乘以1.023

Trt：一单位Trt的变化（安慰剂到治疗组），期望的癫痫发病数将乘以0.86，也就是说保持基础癫痫病发病数和年龄不变，服药组相对于安慰剂组癫痫病发病数降低20%

与Logistic回归中的指数参数相似，泊松模型中的指数化参数对响应变量的影响都是成倍增加的，而不是线性相加

 

转载于:https://my.oschina.net/u/1785519/blog/1563552