一般回归中使用的模型主要是线性模型，它通过一系列连续和/或分类预测变量来预测正态分布的响应变量。 但在很多情况下，假设因变量呈正态分布（甚至是连续变量）是不合理的，例如：

广义线性模型就是为了解决这个问题，在因变量不服从正态分布的情况下进行回归模型分析。 常用的广义线性模型包括回归、泊松回归等。

1. 返回

适用于因变量为01型的回归（例如是否流产、是否流产、是否生病等）。假设因变量（即 Y) 服从二项式分布

二项分布是伯努利提出的概念，是指重复n次独立的伯努利实验。 每次试验只有两种可能的结果，两种结果是否发生是相反且相互独立的。 它们与其他试验的结果无关。 在每次独立试验中，事件发生或不发生的概率保持不变。 ，那么这一系列实验统称为n次伯努利实验。 当实验数为1时，二项式分布服从0-1分布。

二项分布_百度百科

这时候我们就可以利用回归来拟合和预测模型。 也可以使用 SPSS 进行回归。 参考：

//af3a.html

但在这里，我们将使用 R 进行回归分析。

#使用AER包的Affairs数据集，若没有AER包，可先进行安装和调用
aff <- Affairs
head(aff)
   affairs gender age yearsmarried children religiousness education occupation rating
4        0   male  37        10.00       no             3        18          7      4
5        0 female  27         4.00       no             4        14          6      4
11       0 female  32        15.00      yes             1        12          1      4
16       0   male  57        15.00      yes             5        18          6      5
23       0   male  22         0.75       no             2        17          6      3
29       0 female  32         1.50       no             2        17          5      5
###构造因变量是01型的affair01变量
aff_data <- Affairs
aff_data$affair01[aff_data$affairs > 0] <- 1
aff_data$affair01[aff_data$affairs == 0] <- 0
aff_data$affair01 <- factor(aff_data$affair01, levels = c(0, 1), labels = c("no", "yes"))
head(aff_data)
##拟合模型
fitmod <- glm(affair01 ~ yearsmarried + religiousness+ rating,
              data = aff_data, family = binomial())
#构造预测数据集
testing <- data.frame(rating = 1:5, age = mean(aff_data$age), yearsmarried = mean(aff_data$yearsmarried), 
                      religiousness = mean(aff_data$religiousness))

#将x带入，预测
m2 <- predict(fitmod, newdata = testing, type = "response")
m2

也就是说，当年龄、 等协变量不变时，从 1 变化到 5 时， 的概率。 模型，如线性模型等，预测某个自变量的变化（如从分位数浓度1变为分位数浓度3时因变量的变化）

2. 泊松回归和其他回归

一起使用的功能

参考：R语言实践