本文回顾了广义线性模型（GLM）和广义加性模型（GAM）在处理计数数据时的应用，包括高斯分布与身份链接、泊松分布、过dispersion问题及其解决方案，如Quasi-Poisson模型和负二项分布模型。文章还探讨了模型验证和选择的方法，并强调了在模型中考虑方差的重要性和修正过dispersion的策略。
Mixed effects models 回顾（七）
A.F. Zuur et al., Mixed Effects Models and Extensions in Ecology with R, 11 Statistics
GLM and GAM for Count Data
Introduction
广义线性模型 (GLM) 以及广义加性模型 (GAM) 的构建包含三步：
(1) 响应变量 Y i Y_i Yi 的分布假设，同时定义 Y i Y_i Yi 的均值 (mean) 以及方差 (variance);
(2) 系统部分的说明，即定义解释变量的函数；
(3) 连接 Y i Y_i Yi 的均值与系统部分。
GLM/GAM with Gaussian distribution and identity link
在高斯线性回归模型中 (亦叫做 GLM with Gaussian distribution and identity link):
Y i ∼ N ( μ i , σ 2 ) Yi ∼ N(\mu_i, \sigma^2) Yi∼N(μi,σ2)
E ( Y i ) = μ i a n d v a r ( Y i ) = σ 2 E(Y_i) = \mu_i and var(Y_i) = \sigma^2 E(Yi)=μi and var(Yi)=σ2
μ i = η ( X i 1 , . . . , X i q ) \mu_i = \eta(X_{i1}, ..., X_{iq}) μi=η(Xi1,...,Xiq)
组合在一起即为：
E ( Y i ) = η ( X i 1 , . . , X i q ) = α + β 1 × X i 1 + . . . + β q × X i q E(Y_i) = \eta(X_{i1},..,X_{iq}) = \alpha + \beta_1 \times X_{i1} + ... + \beta_q \times X_{iq} E(Yi)=η(Xi1,..,Xiq)=α+β1×Xi1+...+βq×Xiq
在 GAM with Gaussian distribution中:
η （ X i 1 , . . . , X i q ) = α + f 1 ( X i 1 ) + . . . + f q ( x i q ) \eta（X_{i1},...,X_{iq}) = \alpha + f_1(X_{i1}) + ... + f_q(x_{iq}) η（Xi1,...,Xiq)=α+f1(Xi1)+...+fq(x
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
