こういうことらしい。
一般化線形モデルというのが、
説明変数と目的変数が内積の和の形でかけるもの。
非線形モデルというのは、
説明変数と目的変数が内積の和の形でかけないもの
らしい。
で、一般化線形モデルの場合、
単純に、説明変数と目的変数が内積の和の形で書くと、
線形回帰、つまり
単回帰(説明変数1つ)や重回帰(説明変数2つ以上)になるし、
ロジット変換して、指数の肩に説明変数と目的変数が内積の和の形で
かかれるようになると、ロジスティック回帰になる。
線形回帰は、マイナスの値になってしまったりする。
そういうことがないように、0~1の範囲に収めたのがロジスティック回帰で、
ロジスティック回帰の場合、0または1(YES、NO)の2値の場合にも使える
ただし、その場合、分布は、ベルヌーイ曲線になる。
で、これらの場合、個々のデータをもとに、回帰式をもとめられる。
→推定
求め方としては、最小2乗推定法や、最尤推定法があるが、
最尤推定法は分布を仮定している(正規分布)
Rにおいては、一般化線形モデルを行う場合は(例は「ロジスティック回帰」の場合)、
glm(y~x1+x2,family=binomial)
のような形で、できる
y~x1+x2のように、説明変数をならべていく。
もし、これが面倒なら、data.frame(dat)で、データフレームを作ってしまって、
(このデータフレームがdatにはいっているとして)
glm(y~.,family=binomial,data=dat)
としてしまえばいい
また、binomialは、ロジスティック回帰で、デフォルトは、線形回帰になる。
で、この結果をsummaryで出せば、回帰式がわかるし、
predictでやると、予測値が出る。
もっと一般的な式をやる場合は
nlm(式,データ,初期値)
の形で書く。
って、先週ならった(いままで、書きそびれた)
一般化線形モデルというのが、
説明変数と目的変数が内積の和の形でかけるもの。
非線形モデルというのは、
説明変数と目的変数が内積の和の形でかけないもの
らしい。
で、一般化線形モデルの場合、
単純に、説明変数と目的変数が内積の和の形で書くと、
線形回帰、つまり
単回帰(説明変数1つ)や重回帰(説明変数2つ以上)になるし、
ロジット変換して、指数の肩に説明変数と目的変数が内積の和の形で
かかれるようになると、ロジスティック回帰になる。
線形回帰は、マイナスの値になってしまったりする。
そういうことがないように、0~1の範囲に収めたのがロジスティック回帰で、
ロジスティック回帰の場合、0または1(YES、NO)の2値の場合にも使える
ただし、その場合、分布は、ベルヌーイ曲線になる。
で、これらの場合、個々のデータをもとに、回帰式をもとめられる。
→推定
求め方としては、最小2乗推定法や、最尤推定法があるが、
最尤推定法は分布を仮定している(正規分布)
Rにおいては、一般化線形モデルを行う場合は(例は「ロジスティック回帰」の場合)、
glm(y~x1+x2,family=binomial)
のような形で、できる
y~x1+x2のように、説明変数をならべていく。
もし、これが面倒なら、data.frame(dat)で、データフレームを作ってしまって、
(このデータフレームがdatにはいっているとして)
glm(y~.,family=binomial,data=dat)
としてしまえばいい
また、binomialは、ロジスティック回帰で、デフォルトは、線形回帰になる。
で、この結果をsummaryで出せば、回帰式がわかるし、
predictでやると、予測値が出る。
もっと一般的な式をやる場合は
nlm(式,データ,初期値)
の形で書く。
って、先週ならった(いままで、書きそびれた)