前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >R语言中GLM(广义线性模型),非线性和异方差可视化分析

R语言中GLM(广义线性模型),非线性和异方差可视化分析

作者头像
拓端
发布2020-09-29 15:59:25
1.2K0
发布2020-09-29 15:59:25
举报
文章被收录于专栏:拓端tecdat

原文链接:http://tecdat.cn/?p=13839

广义线性模型的理论,强调两个重要组成部分

  • 链接函数(这实际上是在预测模型的关键)
  • 分布或方差函数

考虑数据集

代码语言:javascript
复制
­lin.mod = lm(dist~speed,data=cars)

如果我们可视化线性回归,得到:

基于某些误差项生成与先前描述的模型相同的模型。该模型可以在下面看到,

代码语言:javascript
复制
C=trans3d(c(x,x),c(y,rev(y)),c(z,z0),mat)
polygon(C,border=NA,col="light blue",density=40)
C=trans3d(x,y,z0,mat)
lines(C,lty=2)
C=trans3d(x,y,z,mat)
lines(C,col="blue")}

这里有两部分:平均值的线性增加 和正态分布的恒定方差 。

另一方面,如果我们假设泊松回归,

代码语言:javascript
复制
poisson.reg = glm(dist~speed,data=cars,family=poisson(link="log"))

我们有这样的结果

我们的模型不再是线性的,而是指数的,并且方差也随着解释变量的增加而增加,因为有了泊松回归,

如果改编前面的代码,我们得到

问题是,当我们从线性模型引入Poisson回归时,我们改变了两件事。因此,让我们看看当我们分别更改两个成分时会发生什么。首先,我们可以使用高斯模型来更改链接函数,但是这次是乘法模型(具有对数链接函数)

这次是非线性的。或者我们可以在Poisson回归中更改链接函数,以获得线性模型

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-09-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 拓端数据部落 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 原文链接:http://tecdat.cn/?p=13839
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档