【免费下载链接】stat_rethinking_2026Statistical Rethinking Course 2026项目地址https://gitcode.com/gh_mirrors/st/stat_rethinking_2026点击查看免费下载本文以 Statistical Rethinking 2026 课程为核心整理一份二项与泊松 GLM 建模清单分类0/1 事件数据走二项分布与 logit 链接计数数据走泊松分布与 log 链接。照着清单操作新手也能快速完成贝叶斯分类与计数建模。为什么分类与计数数据需要 GLM普通线性回归假设结果是连续值、误差是高斯分布对下面两类数据完全不适用数据类型典型例子分布链接函数分类数据0/1 事件是否录取、是否购买Bernoulli / 二项dbern/binomiallogit计数数据非负整数工具数量、事故次数泊松dpoislog GLM 的核心思想不直接建模结果而是在链接尺度上建模“均值”——事件概率的对数几率或期望计数的对数。这样预测值永远落在合理范围内概率在 0~1 之间、计数恒为正。2026 年课程在 Beginner 区第 9 周Modeling Events读第 10、11 章和第 10 周Confounds Sensitivity Analysis讲这些内容配套 R 代码全部在本仓库 scripts/ 目录。课程总览与课表见 README.md。仓库速览代码与数据在哪里文件作用scripts/09_binomial_GLMs.r二项 GLM 全流程先验绘制、UCBadmit 录取数据、性别与院系效应scripts/10_confounds_poisson.r泊松回归Kline 工具数据 潜在混杂敏感性分析scripts/11_ordered_categories.r进阶有序类别多项建模scripts/UCBadmit_long.csvUCBadmit 展开成“每人一行”的长表Bernoulli 形式scripts/19_gen_lin_madness.r广义 GLM跳出标准链接函数的“疯狂”模型homework/homework_A09.pdf第 9 周Modeling Events配套习题homework/README.md每周作业与答案目录说明二项 GLM 快速上手4 步完成 logistic 分类建模第 1 步把数据整理成“成功数 / 试验数”UCBadmit 录取数据按 6 个院系 × 2 种性别聚合每行是“N 份申请A 份被录取”。这种聚合结构直接用二项分布A ~ binomial(N, p)若数据是“每人一行、0/1 结果”则用 BernoulliA ~ bernoulli(p)。两者统计上等价选与数据结构一致的那个即可。仓库提供了现成的长表 scripts/UCBadmit_long.csv可直接对比两种结构。第 2 步在 logit 链接上设先验新手常犯的错误是直接把高斯先验放在概率 p 上。正确做法把高斯先验放在对数几率上再经inv_logit变换回概率logit(p) - a b*x a ~ normal(0, 1) b ~ normal(0, 1)✅ 拟合前先用anim_prior_predictive画“先验预测曲线”动画脚本第 12~29 行就干这件事检查在 x 的合理范围内先验给出的概率是否可信、曲线是否过陡或过平。这是 GLM 工作流里最容易省略、却最关键的一步。第 3 步拟合模型读概率尺度上的对比extract.samples取后验样本后比较两组差异建议在概率尺度上做先对各组对数几率inv_logit再相减用dens画后验密度。密度围绕 0 说明差异不显著离 0 越远、越集中效应越强。第 4 步区分总效应与直接效应UCBadmit 是教科书级例子logit(p) - a[G]只含性别估计的是总效应logit(p) - a[G,D]性别 × 院系矩阵估计的是每个院系内部的直接效应。scripts/09_binomial_GLMs.r 还演示了按院系权重模拟计算“性别感知的边际效应”——从系数到因果解读的完整示范。泊松 GLM 快速上手计数数据的 3 个要点要点 1log 链接先验曲线要“先检查再拟合”泊松模型形式为T ~ dpois(lambda) log(lambda) - a b*x 官方脚本特意演示了一个“先验踩坑”若设a ~ normal(0, 1)、b ~ normal(0, 10)预测曲线exp(a b*x)在 x 稍大时就疯狂上翘先验期望根本不合理改成a ~ normal(3, 0.5)、b ~ normal(0, 0.2)后曲线才变得可信。先看先验期望曲线再谈拟合。要点 2吃透 Kline 工具案例scripts/10_confounds_poisson.r 的后半部分第 318 行起用 Kline 跨文化数据讲完整链路用人口规模log 标准化与接触度高/低预测total_tools计数。脚本依次做了仅截距的基线模型m11.9交互模型m11.10每个接触组独立的截距与斜率用PSIS比较两个模型并画出逐点 k 值k 越大的点预测越可疑把预测画回自然尺度真实人口数让图更直观要点 3把领域机制直接写进模型脚本末尾把“创新 / 流失”写成显式科学模型lambda - exp(a[C]) * P^b[C] / g即期望工具数 创新项 × 人口幂次 / 流失项。这正是 Statistical Rethinking 的核心理念GLM 不是盲选的工具而是把科学机制翻译成代码。最容易踩的 3 个坑混杂UCBadmit 的录取率差异部分来自性别与院系申请分布的不同而非录取本身。scripts/10_confounds_poisson.r 前半部分用模拟数据演示未观测变量 u能力造成混杂时如何假设 u 已测得再拟合。敏感性分析u 没测到时把它声明为未观测变量、给出高斯先验与结果模型联合拟合看后验对比如何变化——这就是第 10 周Confounds Sensitivity Analysis的主题。代理变量u 测不到但有几个带噪代理 T1、T2、T3 时用T1 ~ normal(u, tau[1])等式联合重建潜变量脚本还画了“后验 u vs 真实 u”的恢复质量图。另外当结果或机制不符合 logit/log 模板时不必硬套scripts/19_gen_lin_madness.r 对应 Experienced 区第 9 周Generalized Linear Madness第 16 章比如“几何体重模型”直接把均值写成物理公式π·k·p²·H³链接函数随你选。配套作业练习资料对应内容homework/homework_A09.pdf第 9 周Modeling Events计数与分类建模习题homework/homework_A05.pdf第 5 周Estimands and Estiplans附参考答案homework/BMJSubmissions.csv可作分类练习的数据文件homework/amtl_homo_aggregated.csv另一份聚合结构数据适合二项模型练习 建议顺序先逐行读脚本建立“先验 → 拟合 → 对比 → 模型比较”的手感再做习题。一页清单从数据到推断步骤二项 GLM泊松 GLM1. 数据成功数 A 试验数 N或 0/1 长表计数 T非负整数2. 链接logit(p) - a b*xlog(lambda) - a b*x3. 先验高斯放对数几率上先画先验概率曲线检查exp(a b*x)先验曲线不发散4. 拟合ulam/quap建议 4 条链同左建议开log_likTRUE5. 推断概率尺度对比 后验密度PSIS模型比较 逐点 k 诊断6. 解读区分总效应 / 直接效应注意混杂核对科学机制如创新/流失项照着这份清单再配合仓库里的脚本与作业就能独立完成 Statistical Rethinking 课程中大部分分类与计数数据建模任务。赞分享【免费下载链接】stat_rethinking_2026Statistical Rethinking Course 2026项目地址https://gitcode.com/gh_mirrors/st/stat_rethinking_2026点击查看免费下载相关推荐《Statistical Rethinking 2024》项目安装与配置指南《Statistical Rethinking 2024》项目安装与配置指南 1. 项目基础介绍 《Statistical Rethinking 2024》是一Statistical Rethinking 2026 作业集与答案全清单10 周习题高效练习指南Statistical Rethinking 2026 作业集与答案全清单10 周习题高效练习指南 Statistical Rethinking 2026sSQLModel 快速上手用 Python 类型注解统一 SQL 数据库与数据模型SQLModel 快速上手用 Python 类型注解统一 SQL 数据库与数据模型 SQLModel 是一个面向 Python 开发者的 SQL 数据库交互库ORM数据库后端上一篇golangci-lint 调试指南从 -v 到 GL_DEBUG 的完整日志定位方案下一篇rnnoise交叉编译工具链配置crosstool-ng使用指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/23 7:23:34 · 阅读 1.2k 二项与泊松 GLM 建模清单：Statistical Rethinking 分类与计数数据快速上手
【免费下载链接】stat_rethinking_2026Statistical Rethinking Course 2026项目地址https://gitcode.com/gh_mirrors/st/stat_rethinking_2026点击查看免费下载本文以 Statistical Rethinking 2026 课程为核心整理一份二项与泊松 GLM 建模清单分类0/1 事件数据走二项分布与 logit 链接计数数据走泊松分布与 log 链接。照着清单操作新手也能快速完成贝叶斯分类与计数建模。为什么分类与计数数据需要 GLM普通线性回归假设结果是连续值、误差是高斯分布对下面两类数据完全不适用数据类型典型例子分布链接函数分类数据0/1 事件是否录取、是否购买Bernoulli / 二项dbern/binomiallogit计数数据非负整数工具数量、事故次数泊松dpoislog GLM 的核心思想不直接建模结果而是在链接尺度上建模“均值”——事件概率的对数几率或期望计数的对数。这样预测值永远落在合理范围内概率在 0~1 之间、计数恒为正。2026 年课程在 Beginner 区第 9 周Modeling Events读第 10、11 章和第 10 周Confounds Sensitivity Analysis讲这些内容配套 R 代码全部在本仓库 scripts/ 目录。课程总览与课表见 README.md。仓库速览代码与数据在哪里文件作用scripts/09_binomial_GLMs.r二项 GLM 全流程先验绘制、UCBadmit 录取数据、性别与院系效应scripts/10_confounds_poisson.r泊松回归Kline 工具数据 潜在混杂敏感性分析scripts/11_ordered_categories.r进阶有序类别多项建模scripts/UCBadmit_long.csvUCBadmit 展开成“每人一行”的长表Bernoulli 形式scripts/19_gen_lin_madness.r广义 GLM跳出标准链接函数的“疯狂”模型homework/homework_A09.pdf第 9 周Modeling Events配套习题homework/README.md每周作业与答案目录说明二项 GLM 快速上手4 步完成 logistic 分类建模第 1 步把数据整理成“成功数 / 试验数”UCBadmit 录取数据按 6 个院系 × 2 种性别聚合每行是“N 份申请A 份被录取”。这种聚合结构直接用二项分布A ~ binomial(N, p)若数据是“每人一行、0/1 结果”则用 BernoulliA ~ bernoulli(p)。两者统计上等价选与数据结构一致的那个即可。仓库提供了现成的长表 scripts/UCBadmit_long.csv可直接对比两种结构。第 2 步在 logit 链接上设先验新手常犯的错误是直接把高斯先验放在概率 p 上。正确做法把高斯先验放在对数几率上再经inv_logit变换回概率logit(p) - a b*x a ~ normal(0, 1) b ~ normal(0, 1)✅ 拟合前先用anim_prior_predictive画“先验预测曲线”动画脚本第 12~29 行就干这件事检查在 x 的合理范围内先验给出的概率是否可信、曲线是否过陡或过平。这是 GLM 工作流里最容易省略、却最关键的一步。第 3 步拟合模型读概率尺度上的对比extract.samples取后验样本后比较两组差异建议在概率尺度上做先对各组对数几率inv_logit再相减用dens画后验密度。密度围绕 0 说明差异不显著离 0 越远、越集中效应越强。第 4 步区分总效应与直接效应UCBadmit 是教科书级例子logit(p) - a[G]只含性别估计的是总效应logit(p) - a[G,D]性别 × 院系矩阵估计的是每个院系内部的直接效应。scripts/09_binomial_GLMs.r 还演示了按院系权重模拟计算“性别感知的边际效应”——从系数到因果解读的完整示范。泊松 GLM 快速上手计数数据的 3 个要点要点 1log 链接先验曲线要“先检查再拟合”泊松模型形式为T ~ dpois(lambda) log(lambda) - a b*x 官方脚本特意演示了一个“先验踩坑”若设a ~ normal(0, 1)、b ~ normal(0, 10)预测曲线exp(a b*x)在 x 稍大时就疯狂上翘先验期望根本不合理改成a ~ normal(3, 0.5)、b ~ normal(0, 0.2)后曲线才变得可信。先看先验期望曲线再谈拟合。要点 2吃透 Kline 工具案例scripts/10_confounds_poisson.r 的后半部分第 318 行起用 Kline 跨文化数据讲完整链路用人口规模log 标准化与接触度高/低预测total_tools计数。脚本依次做了仅截距的基线模型m11.9交互模型m11.10每个接触组独立的截距与斜率用PSIS比较两个模型并画出逐点 k 值k 越大的点预测越可疑把预测画回自然尺度真实人口数让图更直观要点 3把领域机制直接写进模型脚本末尾把“创新 / 流失”写成显式科学模型lambda - exp(a[C]) * P^b[C] / g即期望工具数 创新项 × 人口幂次 / 流失项。这正是 Statistical Rethinking 的核心理念GLM 不是盲选的工具而是把科学机制翻译成代码。最容易踩的 3 个坑混杂UCBadmit 的录取率差异部分来自性别与院系申请分布的不同而非录取本身。scripts/10_confounds_poisson.r 前半部分用模拟数据演示未观测变量 u能力造成混杂时如何假设 u 已测得再拟合。敏感性分析u 没测到时把它声明为未观测变量、给出高斯先验与结果模型联合拟合看后验对比如何变化——这就是第 10 周Confounds Sensitivity Analysis的主题。代理变量u 测不到但有几个带噪代理 T1、T2、T3 时用T1 ~ normal(u, tau[1])等式联合重建潜变量脚本还画了“后验 u vs 真实 u”的恢复质量图。另外当结果或机制不符合 logit/log 模板时不必硬套scripts/19_gen_lin_madness.r 对应 Experienced 区第 9 周Generalized Linear Madness第 16 章比如“几何体重模型”直接把均值写成物理公式π·k·p²·H³链接函数随你选。配套作业练习资料对应内容homework/homework_A09.pdf第 9 周Modeling Events计数与分类建模习题homework/homework_A05.pdf第 5 周Estimands and Estiplans附参考答案homework/BMJSubmissions.csv可作分类练习的数据文件homework/amtl_homo_aggregated.csv另一份聚合结构数据适合二项模型练习 建议顺序先逐行读脚本建立“先验 → 拟合 → 对比 → 模型比较”的手感再做习题。一页清单从数据到推断步骤二项 GLM泊松 GLM1. 数据成功数 A 试验数 N或 0/1 长表计数 T非负整数2. 链接logit(p) - a b*xlog(lambda) - a b*x3. 先验高斯放对数几率上先画先验概率曲线检查exp(a b*x)先验曲线不发散4. 拟合ulam/quap建议 4 条链同左建议开log_likTRUE5. 推断概率尺度对比 后验密度PSIS模型比较 逐点 k 诊断6. 解读区分总效应 / 直接效应注意混杂核对科学机制如创新/流失项照着这份清单再配合仓库里的脚本与作业就能独立完成 Statistical Rethinking 课程中大部分分类与计数数据建模任务。赞分享【免费下载链接】stat_rethinking_2026Statistical Rethinking Course 2026项目地址https://gitcode.com/gh_mirrors/st/stat_rethinking_2026点击查看免费下载相关推荐《Statistical Rethinking 2024》项目安装与配置指南《Statistical Rethinking 2024》项目安装与配置指南 1. 项目基础介绍 《Statistical Rethinking 2024》是一Statistical Rethinking 2026 作业集与答案全清单10 周习题高效练习指南Statistical Rethinking 2026 作业集与答案全清单10 周习题高效练习指南 Statistical Rethinking 2026sSQLModel 快速上手用 Python 类型注解统一 SQL 数据库与数据模型SQLModel 快速上手用 Python 类型注解统一 SQL 数据库与数据模型 SQLModel 是一个面向 Python 开发者的 SQL 数据库交互库ORM数据库后端上一篇golangci-lint 调试指南从 -v 到 GL_DEBUG 的完整日志定位方案下一篇rnnoise交叉编译工具链配置crosstool-ng使用指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考