定性数据研究方法chap3.ppt

Pearson残差 Poisson分布情况下得到Pearson 统计量 用来评估观测值的在总体拟合中的所产生的影响 统计推断和模型查核 3.5 拟合广义线性模型 FITTING GENERALIZED LINEAR MODELS 使似然函数达到最大的参数的估计的算法 算法 由Taylor展开（ Hessian阵 ） 由 得迭代表达式： 使当 的变化很小时, 迭代停止 拟合广义线性模型 用Wald, 似然比和score（得分）检验推断 检验： Wald检验 其中SE 是log 似然函数在 的曲率 Score 检验 将SE 换成log 似然函数在 的曲率 似然比检验（ 在 和 之差） 拟合广义线性模型 * 第三章 广义线性模型 （Generalized Linear Models） 3.1 广义线性模型的组成部分 3.2 二元数据的广义线性模型 3.3 计数数据的广义线性模型 3.4 统计推断和模型查核 3.5 拟合广义线性模型（ML） 列联表： 描述X对Y的影响和X的关联性 模型： 几个X同时对Y的影响 模型参数的估计(描述关联性和交互作用） 模型参数的推断 预测 3.1 广义线性模型的组成部分(COMPONENTS)） 1.随机部分(Random Component) 因变量 (response variable) Y 正态分布,二项分布,Poission分布,多项分布 2.系统部分(Systematic Component) (如 ) 3.连接函数(Link Function) 几种常见的链接函数(Link Function) 本身链接（Identity link） --连续因变量的 普通线性模型 Log链接 (log link） --非负因变量的 loglinear 模型 广义线性模型的组成部分 3. Logit 链接（logit link） --取值在(0,1)区间的因变量logistic模型 广义线性模型的组成部分 自然参数 （nature parameter) 正态分布的均值, 二项分布的成功概率 典则链接 （canonical link） 广义线性模型的组成部分 GLM 广义线性模型 1. Y不一定是正态分布 2. 对均值的函数做模型 软件： 1. SAS： proc genmod 2. R 或Splus： GLM 3. SPSS 广义线性模型的组成部分 3.2 二元数据的广义线性模型 GENERALIZED LINEAR MODELS FOR BINARY DATA Logistic 回归模型 Probit 回归模型 普通线性回归模型 打鼾程度X取值（0,2,4,5） 二元数据的广义线性模型 1. Logistic 回归模型 打鼾数据： -有心脏病的可能性随打鼾严重程度而增加 二元数据的广义线性模型 2. Probit 回归模型 (利用标准正态分布） 如: Probit(0.05)=-1.645, Probit(0.50)=0, probit(0.95)=1.645, Probit(0.975)=1.96 打鼾数据中，如：X=(0,2,4,5)时， 利用软件Probit回归模型(极大似然估计) 二元数据的广义线性模型 3. 普通线性回归模型 打鼾数据中，如： X=0时， X=2时， 0.057 二元数据的广义线性模型 二元数据的广义线性模型 二元数据的广义线性模型 3.3 计数数据的广义线性模型 GENERALIZED LINEAR MODELS FOR COUNT DATA Poisson 分布 Poisson 回归模型 当 Y的均值不随X变化而变化 当 Y的均值随X的增加而增加 计数数据的广义线性模型 计数数据的广义线性模型 例： Sa = number of satellites. C = Color (1 = light medium, 2 = medium, 3 = dark medium, 4 = dark), S = spine condition (1 = both good, 2 = one worn or broken, 3 = both worn or broken), W = carapace width (cm), Wt