R语言泊松Poisson回归模型分析案例
这个问题涉及马蹄蟹研究的数据。研究中的每只雌性马蹄蟹都有一只雄性螃蟹贴在她的巢穴中。这项研究调查了影响雌蟹是否有其他男性居住在她附近的因素。被认为影响这一点的解释变量包括雌蟹的颜色（C），脊椎状况（S），体重（Wt）和甲壳宽度（W）。
相关视频：R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
逻辑回归Logistic模型原理和R语言分类预测冠心病风险实例
，时长06:48
最近我们被客户要求撰写关于泊松Poisson回归的研究报告，包括一些图形和统计输出。
数据文件：crab.txt。
我们将首先拟合仅具有一个自变量：宽度（W）的泊松回归模型
估计的模型是：$ log（\ hat {\ mu_i}）$ = -3.30476 + 0.16405W ilog(μi^) = - 3.30476 + 0.16405W
估计的β= 0.164的ASE为0.01997，这是小的，并且该斜率在z值为8.216及其低p值的情况下在统计学上是显着的。
如果我们看一下W对Sa的散点图（见下文），我们可能会怀疑一些异常值
您可以考虑其他类型的残差，影响度量（如我们在线性回归中看到的）以及残差图。
以下是运行R代码其他部分的输出的一部分：
从上面的输出中，我们可以看到预测计数（“拟合”）和线性预测变量的值，即预期计数的对数值。
我们也可以看到，尽管预测是有意义的，但模型并不适合。考虑到残差统计值为567.88和df为171 ，p值为零，残差统计值/ DF = 567.88 / 171 = 3.321远大于1，因此该模型不适合。缺乏适合可能是由于缺少数据，协变量或过度分散。
更改模型
在上述模型中，我们检测到一个潜在的过分散问题，因为比例因子，例如残差偏差的值/ DF远大于1。
回想一下，过度分散的原因之一是异质性，其中每个协变量组合中的主体仍然差异很大。如果是这样的话，是否违背了Poisson回归模型的泊松模型的假设？
上述R程序的输出：
在这个模型中，随机分量在响应具有相同均值和方差的情况下不再具有泊松分布。根据给定的估计值（例如Pearson X 2 = 3.1822），随机分量的变化（响应）大约是平均值的三倍。
除了过度分散之外，如何忽略其他解释变量？我们可以通过添加其他变量来提高拟合度吗？
我们来比较一下这个输出和只有“W”作为预测的模型。我们将“虚拟变量”引入到模型中，以表示具有4级的颜色变量，其中4级作为参考级别。
此外，如果您运行anova（model.disp），从下面的输出中我们可以看到，在考虑宽度后，颜色几乎没有统计上显着的预测因子。
> anova（model.disp）Df Deviance Resid。Df Resid。DevNULL 172 632.79W 1 64.913 171 567.88C1 1 3.130 170 564.75C2 1 5.400 169 559.35C3 1 0.004 168 559.34此模型是否适合数据更好，是否适合过度分散？
R代码的这部分做以下更改：
将此输出的部分与上面的输出相比较，我们将颜色用作分类预测器。我们这样做只是为了记住同一个变量的不同编码会给你不同的拟合和估计值。
现在估计的模型是什么？$ \ log {\ hat {\ mu_i}} $ = -2.520 + 0.1496W - 0.1694C。logμi^ = -2.520 + 0.1496W - 0.1694C。
由于添加协变量没有帮助，过度分散似乎是由于异质性。我们可以用这些数据做些什么吗？
数据分组
我们考虑按宽度分组数据，然后拟合泊松回归模型。这里是按W排序的数据。
数据已分成8个区间，如下面的（分组）数据所示
请注意，“NumCases”是位于特定区间内的雌性螃蟹的数量，限定了这些雌性螃蟹的背宽。“AverWt”是该分组内的平均背宽。
更改模型
我们还创建了一个变量lcases = log（样本），其中记录了样本数量的对数。这是输出。
模型现在比以前更好还是更差？它显然更适合。例如，残差统计值的值/ DF现在是1.0861。
残差分析也显示了良好的拟合度。
我们来比较下图中的观察值和拟合值（预测值）：
我们可以拟合泊松回归模型。请注意，该模型不适合分组数据，因为与先前的模型相比，残差统计的值/ DF约为11.649。
R语言泊松Poisson回归模型分析案例相关推荐
- R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系
R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系 目录 R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系 #样例数据
- R语言构建logistic回归模型：构建模型公式、拟合logistic回归模型、模型评估，通过混淆矩阵计算precision、enrichment、recall指标
R语言构建logistic回归模型:构建模型公式.拟合logistic回归模型.模型评估,通过混淆矩阵计算precision.enrichment.recall指标 目录
- R语言构建logistic回归模型：WVPlots包PRTPlot函数可视化获取logistic回归模型的最优阈值、优化（precision、enrichment）和recall之间的折衷
R语言构建logistic回归模型:WVPlots包PRTPlot函数可视化获取logistic回归模型的最佳阈值(改变阈值以优化精确度(precision.enrichment)和查全率(recal ...
- R语言构建logistic回归模型并评估模型：模型预测结果抽样、可视化模型分类预测的概率分布情况、使用WVPlots包绘制ROC曲线并计算AUC值
R语言构建logistic回归模型并评估模型:模型预测结果抽样.可视化模型分类预测的概率分布情况.使用WVPlots包绘制ROC曲线并计算AUC值 目录
- R语言构建logistic回归模型并评估模型：构建基于混淆矩阵计算分类评估指标的自定义函数、阳性样本比例（垃圾邮件比例）变化对应的分类器性能的变化、基于数据阳性样本比例选择合适的分类评估指标
R语言构建logistic回归模型并评估模型:构建基于混淆矩阵计算分类评估指标的自定义函数.阳性样本比例(垃圾邮件比例)变化对应的分类器性能的变化.基于数据阳性样本比例选择合适的分类评估指标 目录
- R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
R语言构建logistic回归模型并评估模型:计算混淆矩阵.并基于混淆矩阵计算Accuray.Precision.Recall(sensitivity).F1.Specificity指标 目录
- R语言构建ElasticNet回归模型实战：基于mtcars数据集
R语言构建ElasticNet回归模型实战:基于mtcars数据集 目录 R语言构建ElasticNet回归模型实战:基于mtcars数据集 #ElasticNet回归
- 用R语言建立logistic回归模型
用R语言建立logistic回归模型 公式:fm<-glm(formula,family=binomial(link=logit),data=data.frame) 其中:link=logit可 ...
- R语言学习—添加回归模型拟合线（一）
回归模型重要的基础或者方法就是回归分析,回归分析是研究一个变量(被解释变量)关于另一个(些)变量(解释变量)的具体依赖关系的计算方法和理论, 是建模和分析数据的重要工具. 常见的回归分析模型有:线性回 ...
最新文章
- R绘制边缘直方图、箱图（Marginal Histogram / Boxplot）
- [CentOS7]redis设置开机启动，设置密码
- Dubbo zookeeper 分布式 集群问题
- webpack 使用别名（resolve.alias）解决scss @import相对路径导致的问题
- 如何用pycharm对比两段代码（或两个文件的代码）
- 游戏关卡中的类型运用：《LOOP》的无限可能
- Effective Java之谨慎地使用本地方法(五十四)
- java获取byte 长度_java获取字节的长度.
- java撤销上一步_CAD快速入门技巧：CAD软件中撤销操作的方法汇总
- mysql的其中连接方式_MySQL选择连接中的位置,但不在其中
- vue-socket.io 对IE浏览器（IE10+）的兼容性修复
- 新店铺怎么做？淘宝店铺如何引流做好基础销量？
- 【破解软件】知音漫客免费看更多漫画
- Linux下抓取log的方法
- 24V转12V10A带使能脚同步整流AH2305D
- 5.（高级）CS效果之：边框border
- 像哆啦A梦懂大雄一样懂客户，我们也会拥有百宝箱
- VR和AR将如何发展下去？哪个更有前景？
- 两台电脑，文件夹之前实现同步
- friendly发音_欧路词典|英汉-汉英词典 friendly是什么意思_friendly的中文解释和发音_friendly的翻译_friendly怎么读...