其实在OLS回归中,我们也可以用极大似然估计发方法来估计参数,我们可以发现其结果和最小二乘法的结果是相同的.而在广义模型中我们使用极大似然估计方法.另外,一般的OLS线性模型是有前提假设的,这在前面的章节中有讲到...,是或否,0或1,那么它肯定是不满足正态假设的,这个时候我们使用logistics回归
2.当结果变量为记数型的,也就是非负整数,肯定的离散的,这也不满足正太假设,这个时候我们使用泊松回归.
★
简介与原理...,参数λ为分布的均值和方差,将lnλ作为结果变量去拟合模型.其代表的含义为,事件发生次数的均值的对数.
★
模型拟合:
我们先看看数据情况,如下图,数据集中的几个字段,affairs出轨次数 ,gender...这时我们可以使用泊松回归,当然前提是服从泊松回归的,另外,有时我们并不关心次数,只关心是否出轨,这时我们将数据进行变换,变为出轨与否,这样结果变量就服从了逻辑回归的要求,我们进行了逻辑回归拟合,....,可以观查到结果与逻辑回归类似.
★
模型的诊断:
在拟合模型时会出现这样一个情况,由于我们对y进行了变换,逻辑回归中,y是二值的我们假设服从二项分布,泊松回归中我们假设y服从泊松分布,当y的实际方差大于分布的期望方差时