通常，GLM的连接函数可能比分布更重要。
为了说明，考虑以下数据集，其中包含5个观察值
x = c(1,2,3,4,5)
y = c(1,2,4,2,6)
base = data.frame(x,y)然后考虑具有不同分布的几个模型，以及一个链接
regNId = glm(y~x,family=gaussian(link="identity"),data=base)
regNlog = glm(y~x,family=gaussian(link="log"),data=base)
regPId = glm(y~x,family=poisson(link="identity"),data=base)
regPlog = glm(y~x,family=poisson(link="log"),data=base)
regGId = glm(y~x,family=Gamma(link="identity"),data=base)
regGlog = glm(y~x,family=Gamma(link="log"),data=base)
regIGId = glm(y~x,family=inverse.gaussian(link="identity"),data=base)
regIGlog = glm(y~x,family=inverse.gaussian(link="log"),data=base还可以考虑一些Tweedie分布，甚至更一般
考虑使用线性链接函数在第一种情况下获得的预测
plot(x,y,pch=19)
abline(regNId,col=darkcols[1])
abline(regPId,col=darkcols[2])
abline(regGId,col=darkcols[3])
abline(regIGId,col=darkcols[4])
abline(regTwId,lty=2)
这些预测非常接近。在指数预测的情况下，我们获得
我们实际上可以近距离看。例如，在线性情况下，考虑使用Tweedie模型获得的斜率（实际上将包括此处提到的所有参数famile）
这里的坡度总是非常接近，如果我们添加一个置信区间，则
对于Gamma回归或高斯逆回归，由于方差是预测的幂，因此，如果预测较小，则方差应该较小。因此，在图的左侧，误差应该较小，并且方差函数的功效更高。
plot(Vgamma,Verreur,type="l",lwd=3,ylim=c(-.1,.04),xlab="power",ylab="error")
abline(h=0,lty=2)
随时关注您喜欢的主题
或者，如果我们添加置信区间，我们将获得
当然，我们可以对指数模型做同样的事情
或者，如果我们添加置信区间，我们将获得
因此，这里的“斜率”也非常相似…如果我们看一下在图表左侧产生的误差，可以得出
plot(Vgamma,Verreur,type="l",lwd=3,ylim=c(.001,.32),xlab="power",ylab="error")
因此，分布通常也不是GLM上最重要的一点。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
数据分享|广义线性模型beta二项分布的淋巴结疾病风险预测可视化R语言实现
R语言非线性回归和广义线性模型：泊松回归、伽马回归、逻辑回归、Beta回归分析机动车事故、小鼠感染、蛤蜊数据、补剂锻炼钠摄入数据
Python用PyMC贝叶斯GLM广义线性模型、NUTS采样器拟合、后验分布可视化
【视频】因子分析简介及R语言应用实例：对地区经济研究分析重庆市经济指标
