首页 >
泊松回归
✍ dations ◷ 2025-04-02 08:45:52 #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
- 乙醚乙醚又称依打(Ether音译)、二乙醚或乙氧基乙烷,是一种醚类,分子式为 (C2H5)2O (或简写为 Et2O)。乙醚是一种无色、易燃、极易挥发的液体,其气味带有刺激性,以前被当作吸入性全身麻
- 热带季节热带,(英语:Tropics)的广义是指地球上南、北回归线(南、北纬23度26分)之间的地区的总称,但在气候方面一般会进一步区分出赤道热带和亚热带,无极昼极夜现象。热带有时从气候上定义,指
- 咯萘啶咯萘啶是一种抗疟疾药物。它于1970年首次制造,自20世纪80年代以来一直在中国临床使用。咯萘啶是苯并萘啶的衍生物,为中国研制的一种抗疟药。对红内期疟原虫有杀灭作用,对耐氯喹
- 结合接合(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
- 迈锡尼希腊语迈锡尼希腊语是希腊语的已知最古老的形式,多利亚人入侵前,在迈锡尼时期(公元前16至前12世纪)使用于希腊大陆和克里特岛上。它保存在线形文字B写的题字中,这种文字是公元前14世纪
- 细胞因子受体细胞因子受体(英语:Cytokine receptor)是指能与细胞因子相结合的受体。近年来,和细胞因子相比,细胞因子受体获得了更多的关注,部分原因是其引人注目的特性,还有部分原因是细胞因子
- CompuServeCompuServe是全球第一家网络服务的提供商,在1989年首度推出电子邮件服务,高峰时期会员曾达到50万人,2009年终止拨接上网服务,仅留下门户网站。CompuServe曾名列1996年美国20大热
- 大岛䌷大岛䌷,即大岛绸,一种传统丝绸制品,产于日本鹿儿岛县奄美群岛。其名称得自奄美大岛,这种手工制绢布,其技术有1500年历史,可用于制造高级和服。大岛䌷这种绢布,最早记录来自于1720年
- 下垫面大气的下垫面指地球表面,包括海洋、陆地及陆上的高原、山地、平原、森林、草原、城市等等。下垫面的性质和形状,对大气的热量、水分、干洁度和运动状况有明显的影响,在气候的形
- 狩猎采集者狩猎采集者是指生活在大部分或所有的食物都是通过觅食(采集野生植物和追捕野生动物)的社会或群体中的人。狩猎采集社会与农业社会形成对比,后者主要依靠驯化物种来生活。狩猎和