मेरे लिए लॉजिस्टिक, लीनियर, पॉइसन रिग्रेशन आदि का एकीकरण ... सामान्यीकृत रैखिक मॉडल ढांचे में माध्य और विचरण के विनिर्देश के संदर्भ में हमेशा से रहा है। हम अपने डेटा के लिए एक संभाव्यता वितरण को निर्दिष्ट करके शुरू करते हैं, निरंतर डेटा के लिए सामान्य, द्विकोटोमस के लिए बर्नौली, काउंट्स के लिए पॉइसन ... आदि। फिर हम एक लिंक फ़ंक्शन निर्दिष्ट करते हैं जो बताता है कि कैसे रैखिक रैखिक भविष्यवाचक से संबंधित है:
g(μi)=α+xTiβ
रैखिक प्रतिगमन के लिए, g(μi)=μi ।
लॉजिस्टिक रिग्रेशन के लिए, ।g(μi)=log(μi1−μi)
पॉइसन रिग्रेशन के लिए, ।g(μi)=log(μi)
त्रुटि शब्द लिखने के संदर्भ में एक ही बात पर विचार किया जा सकता है:
जहां ई ( ई मैं ) = 0 और वी एक आर ( ई मैं ) = σ 2 ( μ मैं ) । उदाहरण के लिए, रसद प्रतिगमन के लिए, σ 2 ( μ मैं ) = μ मैं ( 1 - μ मैं )yi=g−1(α+xTiβ)+eiE(ei)=0Var(ei)=σ2(μi)जैसा कि ऊपर उल्लेख एक Bernoulli फैलाव है।। लेकिन, आप स्पष्ट रूप से यह नहीं कर सकता कि ई मैंσ2(μi)=μi(1−μi)=g−1(α+xTiβ)(1−g−1(α+xTiβ))ei
ध्यान दें, हालांकि, बुनियादी सामान्यीकृत रैखिक मॉडल केवल वितरण के माध्य और विचरण के लिए एक संरचना मानते हैं। यह दिखाया जा सकता है कि अनुमान लगाने वाले समीकरण और हेसियन मैट्रिक्स केवल आपके मॉडल में मौजूद माध्य और विचरण पर निर्भर करते हैं। इसलिए आपको इस मॉडल के लिए के वितरण से संबंधित होने की आवश्यकता नहीं है, क्योंकि उच्च क्रम के क्षण मॉडल मापदंडों के आकलन में भूमिका नहीं निभाते हैं।ei