但在許多情況下，假設(shè)因變量為正態(tài)分布（甚

至連續(xù)型變量）并不合理，例如下面這幾種情況。

? 結(jié)果變量可能是類別型的。二值變量（比如：是/否、通過/未通過、活著/死亡）和多分類

變量（比如差/良好/優(yōu)秀）都顯然不是正態(tài)分布。

? 結(jié)果變量可能是計數(shù)型的（比如，一周交通事故的數(shù)目，每日酒水消耗的數(shù)量）。這類變

量都是非負的有限值，而且它們的均值和方差通常都是相關(guān)的（正態(tài)分布變量間不是如

此，而是相互獨立）。

廣義線性模型擴展了線性模型的框架，它包含了非正態(tài)因變量的分析。

在本章中，我們將首先簡要概述廣義線性模型，并介紹如何使用glm()函數(shù)來進行估計。然

后重點關(guān)注該框架中兩種流行的模型： Logistic回歸（因變量為類別型）和泊松回歸（因變量為

計數(shù)型）。

為了讓討論更有吸引力，我們將把廣義線性模型應用到兩個用標準線性模型無法輕易解決的

問題上。

? 什么樣的個人信息、人口統(tǒng)計信息和人際關(guān)系信息可以作為變量，用來預測婚姻出軌問

題？此時，結(jié)果變量為二值型（出軌/未出軌）。

? 藥物治療對于八周中所發(fā)生的癲癇次數(shù)有何影響？此時，結(jié)果變量為計數(shù)型（癲癇次數(shù)）。

我們將利用Logistic回歸來闡釋第一個問題，用泊松回歸闡釋第二個問題。建模過程中，將

還考慮對每種方法進行擴展。