Các câu trả lời trên là trực quan hơn, vì vậy tôi cố gắng nghiêm ngặt hơn.
GLM là gì?
Đặt biểu thị một tập hợp một vectơ y và p -dimensional vectơ x = ( x 1 , Lỗi , x p ) với giá trị mong đợi E ( y ) = μ . Đối với i = 1 , ... , n quan sát độc lập, sự phân bố của mỗi y i là một gia đình theo cấp số nhân với mật độ
f ( y i ;Y= ( y, x )ypx =( x1, Lọ , xp)E( y) = μi = 1 , ... , nyTôi
Ở đây, tham số quan tâm (tự nhiên hay kinh điển parameter) là θ i , φ là một tham số quy mô (được biết đến hoặc được coi là một mối phiền toái) và γ và τ là chức năng được biết đến. Cácvectơ n chiều của các giá trị đầu vào cố định cho p
đụ( yTôi; θTôi, Φ ) = exp{ [ yTôiθTôi- γ( θTôi) ] / Φ + τ( yTôi, ϕ ) }
θTôiφγτviết sai rồipbiến giải thích được biểu thị bằng
. Chúng tôi giả định rằng các đầu vào vector ảnh hưởng (1) chỉ qua một hàm tuyến tính, các dự đoán tuyến tính,
η i = β 0 + β 1 x i 1 + ⋯ + β p x i p
trên đó
q i phụ thuộc. Vì nó có thể được hiển thị mà
θ = ( γ ' ) - 1 ( μ )x1, Lọ , xpηTôi= β0+ β1xtôi 1+ ⋯ + βpxtôi p
θTôiθ = ( γ')- 1( μ ), sự phụ thuộc này được thiết lập bằng cách kết nối bộ dự báo tuyến tính
và
θ thông qua giá trị trung bình. Cụ thể hơn, giá trị trung bình
μ được xem như là một chức năng nghịch và trơn tru của các dự đoán tuyến tính, tức là
g ( μ ) = η hoặc μ = g - 1 ( η )
Bây giờ để trả lời câu hỏi của bạn:
ηθμg( Μ ) = η hoặc μ= g - 1( η)
g( ⋅ )μηθη≡ θg= ( γ')- 1
X'yΣTôixtôi jyTôij = 1 , góc , pμ
Do đó chúng có xu hướng được sử dụng theo mặc định. Tuy nhiên, lưu ý rằng không có lý do tiên nghiệm tại sao các hiệu ứng trong mô hình phải là phụ gia theo thang đo được đưa ra bởi liên kết này hoặc bất kỳ liên kết nào khác.