拓展

• 時間段變化的泊松迴歸

假設結果變量是一個比率。爲分析比率，必須包含一個記錄每一個觀測的時間長度的變量（如time）。而後，將模型從

 

爲擬合新的模型，須要設置glm()函數中的offset選項，例如在Breslow癲癇研究中，假設病人隨機分組後的檢測時間長度挺在14到60天間變化。你能夠將癲癇發病率做爲因變量（假設已記錄了每一個發病的時間），而後擬合模型：

fit.od <- glm(sumY ~ Base + Age + Trt, data=breslow.dat,
              offset=log(time),family=poisson())   #增長了offset=log(time)

其中sumY指隨機化分組後在每一個病人被研究期間其癲癇發病的次數，此處假定比率不隨事件變化（好比，4天中發生2次癲癇與20天發生10次癲癇比率相同）

• 零膨脹泊松迴歸
• 結果零值

以Logistic回顧迴歸中的婚外情爲例，初始結果變量（affairs）記錄了調查對象婚外情的次數，有些調查者從不婚外情，結構爲0，這便稱爲結構零值

此時能夠使用 零膨脹泊松迴歸

pscl包中的zeroinfl()函數可作零膨脹迴歸，該模型至關於Logistic迴歸(預測結構零值)和泊松迴歸（預測無結構零值觀測的計數）的組合

• 穩健泊松迴歸

robust包中的glmRob()函數能夠擬合穩健廣義線性模型那個，包含穩健泊松迴歸，當存在離羣點和強影響點時用該方法頗有效