数据准备
# 使用内置数据集mtcars
data(mtcars)
# 创建一个计数型的因变量
mtcars$accidents <- rpois(n = nrow(mtcars), lambda = 1)
上述代码创建了一个计数型的因变量accidents，其值是从泊松分布生成的，这里的lambda表示泊松分布的参数。
运行泊松回归
# 运行泊松回归，以accidents为因变量，以mpg和wt为自变量
poisson_model <- glm(accidents ~ mpg + wt, data = mtcars, family = "poisson")
# 显示回归结果
summary(poisson_model)
在上述代码中，accidents是计数型的因变量，而mpg和wt是自变量。glm函数用于拟合泊松回归模型，family = "poisson"表示使用泊松分布。
预测新数据
# 创建新数据
new_data <- data.frame(mpg = c(20, 25), wt = c(3.5, 4.0))
# 预测新数据的计数值
predictions <- predict(poisson_model, newdata = new_data, type = "response")
# 显示预测结果
data.frame(new_data, Predicted_Accidents = predictions)
上述代码使用predict函数预测了新数据的计数值。
这是一个简单的泊松回归的例子。在实际中，你可能需要更多的模型检验、变量选择等步骤。确保你对数据背景和问题有充分的理解，并根据需要进行适当的数据处理和模型调整。
转载请注明出处：http://www.zyzy.cn/article/detail/6422/R语言