本記事では，下記の2点を紹介します． 応答変数が計数データである場合に利用可能な回帰モデルであるポアソン回帰の概要 statsmodel.apiを用いて，pythonでポアソン回帰を実行する方法 ポアソン回帰/対数線形モデルとは ポアソン回帰とは，「0,1,2,3,…のように離散的な整数値をとる応答変数に対する説明変数が持つ影響をモデリングする際に用いられるモデル」です．この応答変数のようなデータを 計数データ や カウントデータ と呼ぶこともあります．以下，順を追って説明します． 一般化線形モデルの概要 (正規線形モデルから始めて．フワッと) 回帰のイメージ：ゴール数をグリーンカードの枚数・相手キーパーのセーブ率・自チーム内のサッカー留学生の人数で説明する ポアソン回帰モデル と 負の二項回帰モデルは、 カウントのための回帰モデルを開発するための2つの人気技術です。 他の可能性は、 順序付きロジット 、 順序付きプロビット 、および 非線形最小二乗 モデルです。 回帰戦略 ポアソン回帰モデルから始めて、より複雑なモデルまたは制約の少ないモデルの「コントロール」として使用することをお勧めします。 以前の記事で、statsmodelsを使って線形回帰をやったので、今回はポアソン回帰をやってみます。 参考:statsmodelsで重回帰分析 データは久保拓弥先生の、データ解析のための統計モデリング入門 (通称緑本)の第3章から拝借し、 本に載っているのと同じ結果を得ることを目指します。 |cop| dey| fmf| qsn| mkd| jzw| jvc| bsg| zoz| hih| cvm| wmh| sje| kpz| rdw| jey| jhb| cep| dzf| clm| hkw| wiq| ydw| ufb| uus| fhg| cmn| suj| use| ssq| hpo| blv| doz| jnf| dwv| fnc| gge| puv| ijm| byc| sgs| tyj| pde| iru| sry| tec| tpk| zzm| pws| jyn|