R语言关于泊松回归知识点总结_R语言

R语言关于泊松回归知识点总结

2022-01-17 15:37w3cschool R语言

在本篇文章里小编给大家分享的是一篇关于R语言关于泊松回归知识点总结内容，有兴趣的朋友们可以学习下。

泊松回归（英语:Poisson regression）包括回归模型，其中响应变量是计数而不是分数的形式。

例如，足球比赛系列中的出生次数或胜利次数。此外，响应变量的值遵循泊松分布。

泊松回归的一般数学方程为

				?

									log(y) = a + b1x1 + b2x2 + bnxn.....

以下是所使用的参数的描述

y是响应变量。
a和b是数字系数。
x是预测变量。

用于创建泊松回归模型的函数是glm()函数。

语法

在泊松回归中glm()函数的基本语法是

				?

									glm(formula,data,family)

以下是在上述功能中使用的参数的描述

formula是表示变量之间的关系的符号。
data是给出这些变量的值的数据集。
family是 R 语言对象来指定模型的细节。它的值是“泊松”的逻辑回归。

例

我们有内置的数据集“warpbreaks”，其描述了羊毛类型（A或B）和张力（低，中或高）对每个织机的经纱断裂数量的影响。让我们考虑“断裂”作为响应变量，它是断裂次数的计数。羊毛“类型”和“张力”作为预测变量。

输入数据

				?

									input <- warpbreaks

									print(head(input))

当我们执行上面的代码，它产生以下结果

				?

									      breaks   wool  tension

									1     26       A     L

									2     30       A     L

									3     54       A     L

									4     25       A     L

									5     70       A     L

									6     52       A     L

创建回归模型

				?

									output <-glm(formula = breaks ~ wool+tension, 

									                   data = warpbreaks, 

									                 family = poisson)

									print(summary(output))

当我们执行上面的代码，它产生以下结果

				?

									Call:

									glm(formula = breaks ~ wool + tension, family = poisson, data = warpbreaks)

									Deviance Residuals: 

									    Min       1Q     Median       3Q      Max  

									 3.6871 1.6503 0.4269     1.1902   4.2616  

									Coefficients:

									            Estimate Std. Error z value Pr(>|z|)    

									(Intercept)  3.69196    0.04541  81.302  < 2e-16 ***

									woolB      0.20599    0.05157 3.994 6.49e-05 ***

									tensionM   0.32132    0.06027 5.332 9.73e-08 ***

									tensionH   0.51849    0.06396 8.107 5.21e-16 ***

									---

									Signif. codes:  0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1

									(Dispersion parameter for poisson family taken to be 1)

									    Null deviance: 297.37  on 53  degrees of freedom

									Residual deviance: 210.39  on 50  degrees of freedom

									AIC: 493.06

									Number of Fisher Scoring iterations: 4