原文链接：http://tecdat.cn/?p=14874

 

通常，GLM的连接函数可能比分布更重要。为了说明，考虑以下数据集，其中包含5个观察值

1. x = c(1,2,3,4,5)

2. y = c(1,2,4,2,6)

3. base = data.frame(x,y)

然后考虑具有不同分布的几个模型，以及一个链接

1. regNId = glm(y~x,family=gaussian(link="identity"),data=base)

2. regNlog = glm(y~x,family=gaussian(link="log"),data=base)

3. regPId = glm(y~x,family=poisson(link="identity"),data=base)

4. regPlog = glm(y~x,family=poisson(link="log"),data=base)

5. regGId = glm(y~x,family=Gamma(link="identity"),data=base)

6. regGlog = glm(y~x,family=Gamma(link="log"),data=base)

7. regIGId = glm(y~x,family=inverse.gaussian(link="identity"),data=base)

8. regIGlog = glm(y~x,family=inverse.gaussian(link="log"),data=base

还可以考虑一些Tweedie分布，甚至更一般

考虑使用线性链接函数在第一种情况下获得的预测

1. 


2. plot(x,y,pch=19)

3. abline(regNId,col=darkcols[1])

4. abline(regPId,col=darkcols[2])

5. abline(regGId,col=darkcols[3])

6. abline(regIGId,col=darkcols[4])

7. abline(regTwId,lty=2)

 

 

这些预测非常接近。在指数预测的情况下，我们获得

 

我们实际上可以近距离看。例如，在线性情况下，考虑使用Tweedie模型获得的斜率（实际上将包括此处提到的所有参数famile）

 

这里的坡度总是非常接近，如果我们添加一个置信区间，则

 

对于Gamma回归或高斯逆回归，由于方差是预测的幂，因此，如果预测较小，则方差应该较小。因此，在图的左侧，误差应该较小，并且方差函数的功效更高。

1. 


2. 


3. 


4. 


5. plot(Vgamma,Verreur,type="l",lwd=3,ylim=c(-.1,.04),xlab="power",ylab="error")

6. abline(h=0,lty=2)

 

 

当然，我们可以对指数模型做同样的事情

 

 

或者，如果我们添加置信区间，我们将获得

 

  

因此，这里的“斜率”也非常相似...如果我们看一下在图表左侧产生的误差，可以得出

1. 


2. plot(Vgamma,Verreur,type="l",lwd=3,ylim=c(.001,.32),xlab="power",ylab="error")

 

 

因此，分布通常也不是GLM上最重要的一点。

参考文献

1.用SPSS估计HLM层次线性模型模型

2.R语言线性判别分析（LDA），二次判别分析（QDA）和正则判别分析（RDA）

3.基于R语言的lmer混合线性回归模型

4.R语言Gibbs抽样的贝叶斯简单线性回归仿真分析

5.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析

6.使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM

7.R语言中的岭回归、套索回归、主成分回归：线性模型选择和正则化

8.R语言用线性回归模型预测空气质量臭氧数据

9.R语言分层线性模型案例