首页 >
泊松回归
✍ dations ◷ 2025-04-26 13:34:34 #泊松回归
在统计学上,泊松回归(英语:Poisson regression)是用来为计数资料和列联表建模的一种回归分析。泊松回归假设反应变量Y是泊松分布,并假设它期望值的对数可由一组未知参数进行线性表达。当其用于列联表分析时,泊松回归模型也被称作对数-线性模型。泊松回归模型是广义线性模型(GLM)的一种,以对数变化作为连接函数(canonical function),该模型的假设之一是其被解释变量服从泊松分布。x
∈
R
n
{displaystyle mathbf {x} in mathbb {R} ^{n}}
代表由一组相互独立的变量组成的向量,其泊松回归的模型形式为:log
(
E
(
Y
∣
x
)
)
=
α
+
β
′
x
,
{displaystyle log(operatorname {E} (Ymid mathbf {x} ))=alpha +mathbf {beta } 'mathbf {x} ,}
α
∈
R
{displaystyle alpha in mathbb {R} }
,
β
∈
R
n
{displaystyle mathbf {beta } in mathbb {R} ^{n}}
.亦可简洁表示为:
log
(
E
(
Y
∣
x
)
)
=
θ
′
x
,
{displaystyle log(operatorname {E} (Ymid mathbf {x} ))={boldsymbol {theta }}'mathbf {x} ,,}此处,
x
{displaystyle mathbf {x} }
是 n+1维的向量,由n个独立变量(自变量向量)一个常向量(元素取值全为1)构成,用一个θ 代表第一个表达式当中的 α 和 β。因此,当已知泊松回归模型当中的 θ和解释变量
x
{displaystyle mathbf {x} }
, 其满足泊松分布的被解释变量的期望值可以由下式来预测:Yi 是被解释变量的观测值,相应的解释变量为 xi ,可由极大似然估计(MLE)的方法来估计参数θ。 极大似然估计不能通过解析表达式获得解析解,是由其对数似然函数为凸函数的特性,可通过Newton–Raphson或其他基于梯度下降的思想方法来进行参数估计。如上所述,已知泊松回归模型当中的 θ和解释变量
x
{displaystyle mathbf {x} }
, 其回归表达式为:泊松分布的概率密度函数为:现已知解释变量的观测值为由 m个向量组成
x
i
∈
R
n
+
1
,
i
=
1
,
…
,
m
{displaystyle x_{i}in mathbb {R} ^{n+1},,i=1,ldots ,m}
, 对应 m 个被解释变量的观测值,
y
1
,
…
,
y
m
∈
R
{displaystyle y_{1},ldots ,y_{m}in mathbb {R} }
. 若同时已知θ, 则该组观测值所对应的联合概率可由下式表达:极大似然方法估计 θ的核心思想是,去找到能使得基于当前观测值的联合概率尽可能达到最大的θ。(可理解为:变量的取值当前观测值,与取值为其他任何数值相比,是发生概率最高的事件)。 既然目标是寻找到最优的θ,可以先将上式的等号左边简单表达为关于θ 的表达式:注意等号右边的表达式并未改写,但通常难于付诸计算,因而采用其对数变化后的表达式( log-likelihood)即:由于 θ 仅出现在似然函数的前两项,因而在极大化似然函数的运算过程中,可以只考虑前两项。可以删去第三项yi!,待优化的似然函数可以简洁表达为:ℓ
(
θ
∣
X
,
Y
)
=
∑
i
=
1
m
(
y
i
θ
′
x
i
−
e
θ
′
x
i
)
{displaystyle ell (theta mid X,Y)=sum _{i=1}^{m}left(y_{i}theta 'x_{i}-e^{theta 'x_{i}}right)}
.为了找到极大值,需要求解方程:∂
ℓ
(
θ
∣
X
,
Y
)
∂
θ
=
0
{displaystyle {frac {partial ell (theta mid X,Y)}{partial theta }}=0}可以通过对其似然函数取负值 (negative log-likelihood),
−
ℓ
(
θ
∣
X
,
Y
)
{displaystyle -ell (theta mid X,Y)}
是一个凸函数, 标准的凸优化方法可以考虑来求解 θ的最优值。统一的方法是Newton-Raphson 与Iterative Weighted Least Square(IWLS)算法。 给θ一组初始值,IWLS 是通过多次迭代更新直到θ 收敛。泊松回归常用于被解释变量为计数(Count)形式时,包括事件发生的次数,比如:客服中心接到的电话次数。其满足相互独立的假设。在此例子中,即为:拨打客服电话的人们之间不存在相互关联。不会因为甲拨打了客服,而影响乙拨打的可能性。但在建模时,需要考虑统计该事件发生的时期,比如目标变量统计的是一天接到的电话次数,还是一个星期,或者一个月。这个时期的数据作为回归模型中的抵消值,在下面解释。泊松分布也可以适用于比率数据,即事件发生次数与其测量时间或测量范围的比值。比如生物学家测量某森林中树木种类的数目, 比率变量即为每平方千米的树木种类数。人口学家关注的是每个人口年(person-year)的人口死亡数。通常来说,比率变量表达的是单位时间内该事件发生的次数。这些例子中,平方米”,“人口年”这些变量就是所谓的"曝光量"(Exposure)。泊松回归中将其视为偏移量放在等式右边。which implies在R中运行广义线性模型时,可用offset()来指定表示“曝光量”的变量:服从泊松分布的变量,具有期望与方差相等的特征。若观测样本的方差远大于期望值的时,则认为存在过度离势,当前的模型不合理。其常见的原因是缺失重要的解释变量。解决该问题的方法,通常采用准似然估计(quasi-likelihood) 或者负二项分布来估计。泊松回归的另一个常见的问题是零膨胀zero-inflated model。标准的泊松分布其定义域为非负整数,被解释变量y取值为0的概率为:但如果观测样本中添加大量的0,则取值为0的频率远大于理论概率,此时不适宜直接采用泊松回归。比如观测一组人在一小时内的吸烟情况,目标变量是每人吸了多少根烟。但当观测人群中有大量的非吸烟者,就会有过多的目标变量为0, 这就是零膨胀。可以采用其他的广义线性模型,比如负二项分布负二项分布来建模,或者零膨胀模型zero-inflated model 来解决。
相关
- 二磷酸腺苷二磷酸腺苷(英语:adenosine diphosphate,缩写:ADP)是一种核苷酸。它是在代谢中重要的有机化合物,并是在活细胞中的能量流动是至关重要的。一个ADP分子包括三个重要的结构组件:一个
- 体适能体适能(英语:Physical Fitness),为身体适应外界环境之能力,可视为身体适应生活、运动与环境 (例如,温度、气候变化或病毒等因素)的综合能力。它包含了两个面向,一般素质(身体健康的状
- 医疗错误医疗疏失,又称医疗过失、医疗错误、医疗失误,通常指可以被避免的医疗照护不良反应,无论它是否明显的被证明对病人有危害。它可能是源自于不精确或错误的诊断、或疗法。造成严重
- 新热带界新热带界,是组成地球陆地表面的八个生物地理分布区之一。它包括热带美洲大陆的热带陆地生态区和南美洲全部温带区。在生物地理学中,新热带界是八个陆地生物地理分布区之一。它
- 荷兰语荷兰语(英语:Dutch),又称尼德兰语(荷兰语:Nederlands),属于印欧语系日耳曼语族的西日耳曼语支,主要通行于荷兰,在比利时与苏里南有六成人口使用(这三个国家共同组成荷兰语联盟);也是荷兰
- 接合接合(英文:Conjugation,又译结合),又称为接合作用、细菌接合,是发生于原生动物间的现象,指的是两个细菌之间发生的一种遗传物质交换现象,属于细菌有性生殖的一个重要阶段。在接合现
- 回文回文,亦称回环,是正读反读都能读通的句子,亦有将文字排列成圆圈者,是一种修辞方式和文字游戏。回环运用得当,可以表现两种事物或现象相互依靠或排斥的关系。汉语历史上最早创作的
- 王子皇子或王子是对拥有皇帝、王、国王等头衔君主的儿子的称谓。作为皇族或王室成员,通常会授予他们国内的最高爵位。此外,拥有王爵皇族的儿子亦可称为王子。皇孙、王孙则泛指君主
- 市区市区(英语:urban area, urban agglomeration),又称城区,是指和周边地区相较之下,有着人口密度较高、人类活动特征较发达的区域。在行政划分上,市区可能是市、镇,或是由多个行政区域
- 搜狐搜狐(NASDAQ:SOHU),是一家互联网中文门户网站。1995年,搜狐创始人张朝阳从美国麻省理工学院毕业回到中国,利用风险投资创建了爱特信信息技术有限公司,1998年正式推出搜狐网。2000年