泊松回归涉及回归模型，其中响应变量采用计数而非分数的形式.例如，足球比赛系列中的出生人数或获胜次数.此外，响应变量的值遵循泊松分布.
泊松回归的一般数学方程是 :
log(y)= a + b1x1 + b2x2 + bnxn .....
以下是所用参数的说明及减号;
y 是响应变量.
a 和 b 是数字系数.
x 是预测变量.
用于创建泊松回归模型的函数是 glm()函数.
语法
泊松回归中 glm()函数的基本语法是 :
glm(formula,data,family)
以下是上述函数中使用的参数的说明 :
公式是表示变量之间关系的符号.
数据是给出这些变量值的数据集.
family 是R对象，用于指定模型的详细信息.对于Logistic回归，它的值是'Poisson'.
示例
我们有 - 建立数据集"warpbreaks"，描述羊毛类型(A或B)和张力(低，中或高)对每个织机经纱断裂次数的影响.让我们将"break"视为响应变量，它是一个中断次数的计数.羊毛"类型"和"张力"被视为预测变量.
输入数据
input <- warpbreaksprint(head(input))
我们执行上面的代码，它产生以下结果 :
breaks wool tension1 26 A L2 30 A L3 54 A L4 25 A L5 70 A L6 52 A L
创建回归模型
output <-glm(formula = breaks ~ wool+tension, data = warpbreaks, family = poisson)print(summary(output))
当我们执行上面的代码时，它产生以下结果 :
Call:glm(formula = breaks ~ wool + tension, family = poisson, data = warpbreaks)Deviance Residuals: Min 1Q Median 3Q Max -3.6871 -1.6503 -0.4269 1.1902 4.2616 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 3.69196 0.04541 81.302 < 2e-16 ***woolB -0.20599 0.05157 -3.994 6.49e-05 ***tensionM -0.32132 0.06027 -5.332 9.73e-08 ***tensionH -0.51849 0.06396 -8.107 5.21e-16 ***---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for poisson family taken to be 1) Null deviance: 297.37 on 53 degrees of freedomResidual deviance: 210.39 on 50 degrees of freedomAIC: 493.06Number of Fisher Scoring iterations: 4
在摘要中，我们查找最后一列中的p值小于0.05，以考虑预测变量对响应变量的影响.如图所示，具有M型和H型张力的羊毛B对断裂次数有影响.