连续型因变量解释.pptx

连续型因变量;主要内容;3.1 正态回归模型;对式（3.1）变形，正态分布的密度函数也可以表示为指数分布族的形式，即 ;对比式（3.2）和（3.3）可知 （3.4） 在广义线性模型中，正则连接函数是使得 成立的函数。 在正态分布假设下， ，所以相应的正则连接函数就是恒等连接函数，即 。;由式（3.4）可得正态分布的均值为： （3.5） 正态分布的方差函数为： （3.6） 广义线性模型的残差偏差（简称为偏差）定义为： （3.7） 式中， 表示当前模型的对数似然函数； 表示饱和模型的对数似然函数。在饱和模型的对数似然函数中，用观察值 代替了当前模型的拟合值 。;在正态回归模型中，当前模型的对数似然函数为： （3.8） 饱和模型的对数似然函数为： （3.9） ;因此，正态回归模型的偏差为： （3.10）;可见，正态回归模型的残差偏差就是线性回归中的残差平方和。换言之，最小化残差平方和等价于最小化偏差。 广义线性模型的统计量定义为： （3.11） 由于正态分布的方差函数等于1，所以，正态回归模型的统计量与偏差相同，即 ;3.1.2 迭代加权最小二乘估计;正则连接函数是使得成立的连接函数。在正态分布假设下，式（3.4）表明， ，所以正态回归模型的正则连接函数就是恒等连接函数，即 。 在正态分布假设下，如果使用正则连接函数，则有 ，故式（3.13）和（3.14）可以简化为： 相应地，式（3.12）可以简化为： ;3.1.3 其他连接函数;由式（3.3）可知，在对数连接函数下正态回归模型的对数似然函数可以写成： 在对数连接函数下，正态回归模型的参数也可以使用迭代加权最小二乘法进行估计，此时，均值参数可以表示为 在正态分布假设下，还可以使用其他连接函数，如倒数连接函数，即令 倒数连接函数可以用于比例型因变量的建模,根据实际需要，还可以使用更加一般的幂连接函数，即令 。;3.1.4 模拟数据分析;;绘图比较观察值与模型的拟合值;3.2 伽马回归模型;式中， 是伽马分布的均值参数； 称作离散参数。 在均值给定的情况下，离散参数越大，伽马分布的离散程度越大，如图3-2所示，三个密度函数的均值都是100，离散参数分别为0.3,0.5和0.8.;将式（3.18）的密度函数变形，可以将其表示为一般形式的指数分布族的密度函数： （3.19） 上式表明，指数分布族的参数与伽马分布的参数具有如下关系：