网站设计的总结怎么办网站平台
泊松回归（Poisson regression）是以结局变量为计数结果时的一种回归分析。泊松回归在我们的生活中应用非常广泛，例如：1分钟内过马路人数，1天内火车站的旅客流动数，1天内的银行取钱人数，一周内的销售经营数据等等都可以使用泊松回归进行分析。
既往已经有文章《R语言进行泊松回归》初步的介绍了泊松回归，本期介绍下如何使用tidygam包来优雅的进行泊松回归，tidygam包主要是通过mgcv包来进行分析，通过对tidygam包对mgcv包的数据转换后，上手难度大大降低，可以轻松优雅的进行泊松回归分析。
咱们先导入R包和数据，数据使用的是tidygam自带的gest数据
library(tidygam)
library(mgcv)
library(dplyr)
library(ggplot2)
data("gest")
theme_set(theme_light())
这个数据是一个10、11和12个月婴儿的手势数量的数据，这个数据表包含了来自孟加拉、中国和英国背景的60名婴儿所做的三种手势的计数。我解释一下变量名：dyad是ID标识的意思，background：表明来自哪个国家，months：月份，只有10，11，12共3个月，gesture手势的类型，count：手势的计数，这个是 结局变量
先生成gam模型
gs <- gam(count ~ s(months, k = 3),data = gest,family = poisson
)
这个模型gam是mgcv包生成的，解析模型，表明月数和手势计数是相关的
生成预测值
gs_pred <- predict_gam(gs)
绘图，一定要用series标明绘制哪个变量
gs_pred %>%plot(series = "months")
R包介绍，这个时候生成的Y周是count的对数值，因此我们还需要转换一下
predict_gam(gs, tran_fun = exp) %>%plot(series = "months")
如果咱们想了解不同国家的分类，可以再gam函数中设定
gs_by <- gam(count ~ s(months, by = background, k = 3),data = gest,family = poisson
)
解析模型，表明不同的国家婴儿，手势计数都是和月份相关
summary(gs_by)
接下来咱们可以绘制分类图形，需要再comparison处指明根据哪个变量分类
gs_by %>%predict_gam(length_out = 20, series = "months", tran_fun = exp) %>%plot(comparison = "background")
R包指出，虽然使用plot函数绘图，但是它的本质上是一个ggplot2绘制的图片，所以咱们可以使用ggplot的方法修改它
gs_by %>%predict_gam(length_out = 20, series = "months", tran_fun = exp) %>%plot(comparison = "background") +scale_color_brewer(type = "qual") + scale_fill_brewer(type = "qual")
咱们如果考虑有2个非连续的变量，可以再模型里面定义
gs_by_2 <- gam(count ~ s(months, by = background, k = 3) +s(months, by = gesture, k = 3),data = gest,family = poisson
)
解析模型，这里虽然有变量交叉，但是这种做法并不是交互效应，应该理解为亚组更加准确
summary(gs_by_2)
绘图
gs_by_2 %>%predict_gam(length_out = 20, series = "months", tran_fun = exp) %>%plot(comparison = "gesture") +scale_color_brewer(type = "qual") + scale_fill_brewer(type = "qual") +facet_grid(~ background)
如果咱们想了解background和gesture的交互关系，要先生成一个交互变量
gest <- gest %>%mutate(back_gest = interaction(background, gesture))
然后咱们使用这个交互变量进行模型分类
gs_i <- gam(count ~ s(months, by = back_gest, k = 3),data = gest,family = poisson
)
summary(gs_i)
绘图，
predict_gam(gs_i, tran_fun = exp,separate = list(back_gest = c("background", "gesture"))
) %>%plot(series = "months", comparison = "gesture") +facet_grid(~ background)
这样一个亚组交互图形就生成好啦。