拓展

原创
2017/11/07 08:31
阅读数 104
  • 时间段变化的泊松回归

假设结果变量是一个比率。为分析比率,必须包含一个记录每个观测的时间长度的变量(如time)。然后,将模型从

 

为拟合新的模型,需要设置glm()函数中的offset选项,例如在Breslow癫痫研究中,假设病人随机分组后的检测时间长度挺在14到60天间变化。你可以将癫痫发病率作为因变量(假设已记录了每个发病的时间),然后拟合模型:

fit.od <- glm(sumY ~ Base + Age + Trt, data=breslow.dat,
              offset=log(time),family=poisson())   #增加了offset=log(time)

其中sumY指随机化分组后在每个病人被研究期间其癫痫发病的次数,此处假定比率不随事件变化(比如,4天中发生2次癫痫与20天发生10次癫痫比率相同)

  • 零膨胀泊松回归
  • 结果零值

以Logistic回顾回归中的婚外情为例,初始结果变量(affairs)记录了调查对象婚外情的次数,有些调查者从不婚外情,结构为0,这便称为结构零值

此时可以使用 零膨胀泊松回归

pscl包中的zeroinfl()函数可做零膨胀回归,该模型相当于Logistic回归(预测结构零值)和泊松回归(预测无结构零值观测的计数)的组合

  • 稳健泊松回归

robust包中的glmRob()函数可以拟合稳健广义线性模型那个,包含稳健泊松回归,当存在离群点和强影响点时用该方法很有效

 

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部