## Book-R数据分析方法与案例详解
前面我们探讨了连续型的因变量建模分析，但实际上，并非所有的变量都是连续型的数据，有时因变量是离散型的数据，这时我们就需要用广义线性模型（Generalized Linear Model，GLM）。
离散因变量（Discrete Dependent Variable）是指取值为0、1、2……等离散值的变量。在多数情况下，这些取值一般没有实际的意义，仅代表某一事件的发生，或者是用于描述某一事件发生的次数。根据取值的特点，离散因变量可以分为二元变量（Binary Variable）、多分变量和计数变量（Count Variable）。二元变量一般取值为1和0，当取值为1时表示某件事情的发生，取值为0则表示不发生，如信用卡客户发生违约的记为1，不违约的记为0。因变量为二元变量的模型称为二元选择模型（Binary Choice Model）。
在R中可以用glm()函数拟合广义线性模型，包含Probit模型和Logit模型。glm()函数的形式与lm()函数类似，只是多了一些参数。函数的基本形式为：
glm(formula, family=family(link=function), data=)
其中，formula是模型表达式，与lm()函数的表达式一致。family参数设置模型连接函数对应分布族，如gaussian分布、Poisson分布等。glm()函数的参数如下表：
| 名称 | 分布族（family） | 连接函数 |
|---|---|---|
| 二项式 | binomial | (link= “logit”、“probit” 或 “cauchit”） |
| 高斯 | gaussian | (link= “indentity”） |
| 伽玛 | gamma | (link= “inverse”、“identity” 或 “log”） |
| 逆高斯 | inverse.gaussian | (link= “1/mu^2”） |
| 泊松 | poisson | (link= “log”、“identity” 或 “sqrt”） |
| 准 | quasi | (link= “identity” ,variance= “constant”） |
| 准二项 | quasibinomial | (link= “logit”） |
| 准泊松 | quasipoisson | (link= “log”） |
分析线性回归模型时，与lm()函数连用的许多函数在glm()函数中也有对应的形式，其中常用的连用函数如下表：
| 函 数 | 用 途 |
|---|---|
| summary() | 展示拟合模型的详细结果 |
| coefficients() | 列出拟合模型的模型参数（截距项和斜率） |
| confint() | 提供模型参数的置信区间（默认95%） |
| residuals() | 列出拟合模型的残差值 |
| anova() | 生成一个拟合模型的方差分析表，或者比较两个或更多拟合模型的方差分析表 |
| AIC() | 输出赤池信息统计量（） |
| plot() | 生成评价拟合模型的诊断图 |
| predict() | 用拟合模型对原有数据进行拟合或者对新数据集进行预测（响应变量值） |