GLM and GAM for Absence–Presence and Proportional Data
GLM and GAM for Absence–Presence and Proportional Data
复制标题
用于缺勤和比例数据的 GLM 和 GAM
DOI：
10.1007/978-0-387-87458-6_10
复制
发表时间：
2009
期刊：
影响因子：
6.7
通讯作者：
Graham M. Smith
中科院分区：
文献类型：
--
作者：
A. Zuur;E. Ieno;N. Walker;A. Saveliev;Graham M. Smith
在前一章中，使用泊松广义线性模型（GLM）和负二项GLM分析了无上限的计数数据。在本章的10.2节中，我们讨论了0−1数据（也称为缺席-存在或二进制数据）的GLM，并在10.3节中介绍了比例数据的GLM。在最后一节中，介绍了这些类型的数据的广义加法建模（GAM）。0 - 1数据或比例数据的GLM也称为逻辑回归。
In the previous chapter, count data with no upper limit were analysed using Poisson generalised linear modelling (GLM) and negative binomial GLM. In Section 10.2 of this chapter, we discuss GLMs for 0−1 data, also called absence–presence or binary data, and in Section 10.3 GLM for proportional data are presented. In the final section, generalised additive modelling (GAM) for these types of data is introduced. A GLM for 0−1 data, or proportional data, is also called logistic regression.