12.1 广义线性模型(Generalized Linear Model)和glm()函数
前面学到的OLS回归和方差分析仅适用于因变量符合正态分布的数据，广义线性模型则可以用于因变量不合符合正态分布的数据：
1）当因变量为类别型，例如二值变量（是/否）和多分类变量（差/良/优）
2）因变量为计数型（如一周内交通事故数、每日酒水消耗的数量）等，这类变量都是非负的有限值，且均值和方差不独立，具有相关性。
一般使用glm()函数，重点为logistic回归（因变量为类别型）和泊松回归（因变量为计数型）。
12.1.1 glm()函数
语法：
glm(formula,family = family(link=function),data=)
family为概率分布，分别有以下几种，以及相应默认的连接函数（function):
与lm()函数类似，glm()函数也有一些连用函数，用来查看一些glm()结果的：
12.2 Logistic回归****(family=binomial())
当通过一系列连续性或/和类别型变量来预测二值型因变量时，使用logistic回归。
12.2.1 进行logistic回归时的步骤
1.确保因变量为二值型因变量(yes/no)
2.需要先将因变量转化为二值型因子变量
3.使用glm(因变量～自变量1+自变量2+自变量3+自变量4，data=,family=binomial())
12.2.2举例
用AER包中的Affairs数据集来举例。该数据从601个变量身上收集了9个变量，包括一年来出现感情危机的频率（出轨频率）、参与者性别、年龄、婚龄、是否有子女、宗教信仰程度（1-5，数字越大越信仰）、学历、职业、对婚姻的自我评分（1-5，数值越大，越感觉幸福）。
install.packages("AER")
library(AER)
## Warning: 程辑包'AER'是用R版本4.3.2 来建造的
## 载入需要的程辑包：lmtest
## 载入需要的程辑包：zoo
## ## 载入程辑包：'zoo'
## The following objects are masked from 'package:base':## ## as.Date, as.Date.numeric
## 载入需要的程辑包：sandwich
## Warning: 程辑包'sandwich'是用R版本4.3.2 来建造的
data(Affairs,package = "AER")
summary(Affairs)
## affairs gender age yearsmarried children
## Min. : 0.000 female:315 Min. :17.50 Min. : 0.125 no :171
## 1st Qu.: 0.000 male :286 1st Qu.:27.00 1st Qu.: 4.000 yes:430
## Median : 0.000 Median :32.00 Median : 7.000
## Mean : 1.456 Mean :32.49 Mean : 8.178
## 3rd Qu.: 0.000 3rd Qu.:37.00 3rd Qu.:15.000
## Max. :12.000 Max. :57.00 Max. :15.000
## religiousness education occupation rating
## Min. :1.000 Min. : 9.00 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:14.00 1st Qu.:3.000 1st Qu.:3.000
## Median :3.000 Median :16.00 Median :5.000 Median :4.000
## Mean :3.116 Mean :16.17 Mean :4.195 Mean :3.932
## 3rd Qu.:4.000 3rd Qu.:18.00 3rd Qu.:6.000 3rd Qu.:5.000
## Max. :5.000 Max. :20.00 Max. :7.000 Max. :5.000
现研究以上这些自变量对是否出轨（有过感情危机/没有过感情危机）这一二值型因变量的影响：
1.首先这一因变量满足二值型变量
2.将该二值型变量设置为二值型因子变量。这里的affairs的数值为0（无出轨）和大于0（有出轨），需要手动添加这一二值型变量，再将其变为因子变量：
Affairs$ynaffairs[Affairs$affairs>0]<-1
Affairs$ynaffairs[Affairs$affairs==0]<-0
Affairs$ynaffairs <- factor(Affairs$ynaffairs,
levels = c(0,1),
labels = c("No","yes"))
table(Affairs$ynaffairs)
##
## No yes
## 451 150
3.代入glm()函数
由于变量较多，怕写错或漏了，可以使用attach()函数调出变量名
attach(Affairs)
## The following object is masked _by_ .GlobalEnv:
##
## age
fit <- glm(ynaffairs~age+children+education+gender+occupation+rating+religiousness+yearsmarried,data=Affairs,family = binomial())
summary(fit)
##
## Call:
## glm(formula = ynaffairs ~ age + children + education + gender +
## occupation + rating + religiousness + yearsmarried, family = binomial(),
## data = Affairs)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.37726 0.88776 1.551 0.120807
## age -0.04426 0.01825 -2.425 0.015301 *
## childrenyes 0.39767 0.29151 1.364 0.172508
## education 0.02105 0.05051 0.417 0.676851
## gendermale 0.28029 0.23909 1.172 0.241083
## occupation 0.03092 0.07178 0.431 0.666630
## rating -0.46845 0.09091 -5.153 2.56e-07 ***
## religiousness -0.32472 0.08975 -3.618 0.000297 ***
## yearsmarried 0.09477 0.03221 2.942 0.003262 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 675.38 on 600 degrees of freedom
## Residual deviance: 609.51 on 592 degrees of freedom
## AIC: 627.51
##
## Number of Fisher Scoring iterations: 4
结果显示：性别、是否有子女、学历和职业对方程的贡献不显著（P>0.05）。去除这些重新拟合看看是否会拟合的更好：
fit1 <- glm(ynaffairs~age+rating+religiousness+yearsmarried,data=Affairs,family = binomial())summary(fit1)
##
## Call:
## glm(formula = ynaffairs ~ age + rating + religiousness + yearsmarried,
## family = binomial(), data = Affairs)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.93083 0.61032 3.164 0.001558 **
## age -0.03527 0.01736 -2.032 0.042127 *
## rating -0.46136 0.08884 -5.193 2.06e-07 ***
## religiousness -0.32902 0.08945 -3.678 0.000235 ***
## yearsmarried 0.10062 0.02921 3.445 0.000571 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 675.38 on 600 degrees of freedom
## Residual deviance: 615.36 on 596 degrees of freedom
## AIC: 625.36
##
## Number of Fisher Scoring iterations: 4
用anova()函数对两套模型进行比较，对于广义线性回归使用卡方检验：
anova(fit,fit1,test = "Chisq")
## Analysis of Deviance Table
##
## Model 1: ynaffairs ~ age + children + education + gender + occupation +
## rating + religiousness + yearsmarried
## Model 2: ynaffairs ~ age + rating + religiousness + yearsmarried
## Resid. Df Resid. Dev Df Deviance Pr(>Chi)
## 1 592 609.51
## 2 596 615.36 -4 -5.8474 0.2108
结果显示Pr(chi)为0.21，故无法拒绝原假设，两套模型无显著差异。
补充：在卡方检验中，原假设（null hypothesis）通常是假设两个或多个分类变量之间不存在相关性或差异。具体来说，原假设可以表示为“变量之间独立”或“观察到的频数与期望的频数之间没有显著差异”。
12.2.3 解释模型参数
在logistic回归中，因变量是Y=1的对数优势比(log)。回归系数的含义是当其他自变量不变时，一单位自变量的变化可引起的因变量对数优势比的变化。
回归系数：
coef(fit)
## (Intercept) age childrenyes education gendermale
## 1.37725816 -0.04425502 0.39767213 0.02105086 0.28028665
## occupation rating religiousness yearsmarried
## 0.03091971 -0.46845426 -0.32472063 0.09477302
由于对数优势比解释性差，我们可对结果进行指数化：
exp(coef(fit))
## (Intercept) age childrenyes education gendermale
## 3.9640180 0.9567099 1.4883560 1.0212740 1.3235091
## occupation rating religiousness yearsmarried
## 1.0314027 0.6259691 0.7227292 1.0994093
可以看到婚龄增加一年，感情危机优势比将乘以1.10（保持年龄、宗教信仰程度和婚姻的自我评分不变）。
12.2.4 以概率的方式思考问题 predict()函数
对于大多数人来说，以概率的方式思考比使用优势比更直观，使用predict()函数可以让我们观察某个自变量在各个水平时对结果概率的影响。换言之，控制其他不变，观察某一个变量对结果的影响的概率是多少。
predict()函数的用法：
#线性回归模型（lm）：
predicted_values <- predict(lm_model, newdata = new_data)
#逻辑回归模型（glm）：
predicted_probabilities <- predict(glm_model, newdata = new_data, type = "response") #type = "response" 参数用于返回概率预测结果。
现在我们使用该方法评价对婚姻的自我评分对感情危机概率的影响。首先，创建一个虚拟数据集，设定年龄、婚龄和宗教信仰程度为它们的均值，对婚姻的自我评分的范围为1-5.
testdata <- data.frame(rating=c(1,2,3,4,5),age=mean(Affairs$age),yearsmarried=mean(Affairs$yearsmarried),religiousness=mean(Affairs$religiousness))testdata
## rating age yearsmarried religiousness
## 1 1 32.48752 8.177696 3.116473
## 2 2 32.48752 8.177696 3.116473
## 3 3 32.48752 8.177696 3.116473
## 4 4 32.48752 8.177696 3.116473
## 5 5 32.48752 8.177696 3.116473
接着，使用虚拟数据集预测相应的概率：
testdata$prob <- predict(fit1,newdata = testdata,type = "response")testdata
## rating age yearsmarried religiousness prob
## 1 1 32.48752 8.177696 3.116473 0.5302296
## 2 2 32.48752 8.177696 3.116473 0.4157377
## 3 3 32.48752 8.177696 3.116473 0.3096712
## 4 4 32.48752 8.177696 3.116473 0.2204547
## 5 5 32.48752 8.177696 3.116473 0.1513079
12.3 泊松回归
当通过一系列连续和/或类别型自变量来预测计数型因变量时，泊松回归是一个有用的工具。
12.3.1 语法
fit <- glm(因变量～自变量1+自变量2+自变量3，data=,family=poisson())summary(fit)
12.3.2举例
用robustbase包中的epilepsy癫痫数据为例，研究治疗条件(Trt)、年龄(Age)和前8周内的基础癫痫发病数(Base)对后8周内癫痫发病数(Ysum)的影响。
library(robustbase)
## Warning: 程辑包'robustbase'是用R版本4.3.2 来建造的
##
## 载入程辑包：'robustbase'
## The following object is masked from 'Affairs':
##
## education
## The following object is masked from 'package:survival':
##
## heart
data(epilepsy,package = "robustbase")
head(epilepsy)
## ID Y1 Y2 Y3 Y4 Base Age Trt Ysum Age10 Base4
## 1 104 5 3 3 3 11 31 placebo 14 3.1 2.75
## 2 106 3 5 3 3 11 30 placebo 14 3.0 2.75
## 3 107 2 4 0 5 6 25 placebo 11 2.5 1.50
## 4 114 4 4 1 4 8 36 placebo 13 3.6 2.00
## 5 116 7 18 9 21 66 22 placebo 55 2.2 16.50
## 6 118 5 2 8 7 27 29 placebo 22 2.9 6.75
fit <- glm(Ysum~Base+Age+Trt,data =epilepsy,family = poisson())
summary(fit)
##
## Call:
## glm(formula = Ysum ~ Base + Age + Trt, family = poisson(), data = epilepsy)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.9488259 0.1356191 14.370 < 2e-16 ***
## Base 0.0226517 0.0005093 44.476 < 2e-16 ***
## Age 0.0227401 0.0040240 5.651 1.59e-08 ***
## Trtprogabide -0.1527009 0.0478051 -3.194 0.0014 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for poisson family taken to be 1)
##
## Null deviance: 2122.73 on 58 degrees of freedom
## Residual deviance: 559.44 on 55 degrees of freedom
## AIC: 850.71
##
## Number of Fisher Scoring iterations: 5
12.3.3 解释模型参数
使用coef()函数获得模型参数，或者summary()函数输出结果中的coefficients表格。返回的数字表示的是模型中各个预测变量的系数估计值。这些数字表示了每个预测变量对于响应变量（泊松分布的计数数据）的影响程度。这里是loge(r)的对数形式。
coef(fit)
## (Intercept) Base Age Trtprogabide
## 1.94882593 0.02265174 0.02274013 -0.15270095
转化为指数形式：
exp(coef(fit))
## (Intercept) Base Age Trtprogabide
## 7.0204403 1.0229102 1.0230007 0.8583864
可以看到保持其他变量不变，年龄增加一岁，期望的癫痫发病数将乘以1.023.这说明年龄对癫痫病的发病影响较高。而trt的变化（从安慰剂到药物组）则癫痫发病乘以0.858，也就是说保持年龄不变，药物组相对于安慰剂组癫痫发病数大约降低了14%（1-0.858）。
完整教程请查看
