R语言偏态分布的回归分析
偏态分布的回归分析
回归是我们经常遇到的模型，但是回归会根据Y因变量的类型，分成分类问题（Y是分类变量，如生存或死亡）与回归问题（Y是连续性变量，如身高体重）。
在R里面，建立回归模型是通过family参数指定回归类型。其实也是根据Y的分布，来确定用何种family。
Family 种类
在lm()函数中，常见的family 有：
image.png
当然，回归方程中还有更多的family，但是不局限于函数。详细情况请见：https://www.rdocumentation.org/packages/stats/versions/3.6.2/topics/family
常见分布类型
一般我们做回归方程时候，碰见的常见回归类型有以下四种。最常见的是正态分布。
image.png
当然，我们遇到偏态分布时候，一般有两种处理方式。
- 通过将偏态数据进行log变换，转成正态分布进行回归。
- 直接使用
family=Gamma指定Gamma分布。
案例
可使用glm()模型构建回归方程：
Y\= \\beta_{Int} + \beta_{x1} X1 + \beta_{x2} X2 + \beta_{x3} X3
1.Logistic Regression
# where F is a binary factor and x1-x3 are continuous predictors
fit <- glm(F~x1+x2+x3,data=mydata,family=binomial())
summary(fit) # display results
confint(fit) # 95% CI for the coefficients
exp(coef(fit)) # exponentiated coefficients
exp(confint(fit)) # 95% CI for exponentiated coefficients
predict(fit, type="response") # predicted values
residuals(fit, type="deviance") # residuals 2.Poisson Regression
# Poisson Regression
# where count is a count and x1-x3 are continuous predictors
fit <- glm(count ~ x1+x2+x3, data=mydata, family=poisson())
summary(fit) display results3.Gaussian Regression
# Gaussian Regression
# where count is a count and x1-x3 are continuous predictors
fit <- glm(count ~ x1+x2+x3, data=mydata)
summary(fit) display results4.Gamma Regression
# set linear regression model
set.seed(1)
x = rnorm(100)
y = rgamma(100,10,3)
glm(y ~ x, family = Gamma)参考：
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2022-05-14，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录