有两种类型的广义线性模型：
1。对数线性回归，也称为泊松回归
2。逻辑回归
如何在 Python 中实现泊松回归以进行价格弹性预测？
【问题讨论】：
标签： python statistics regression
如果我没记错的话，@Altons 的答案是GEEs，它假设某种分组结构。常见的泊松回归（不需要组，例如“主题”）在statsmodels 中实现为通用线性模型：
import patsy
import statsmodels as sm
from statsmodels.genmod.families import Poisson
fam = Poisson()
f = 'some_count ~ some_numeric_variable + C(some_categorical_variable)'
y, X = patsy.dmatrices(f, data, return_type='matrix')
p_model = sm.GLM(y, X, family=fam)
result = p_model.fit()
print(result.summary())
公式中使用的变量只是DataFrame中变量的占位符data。
【讨论】：
看看python中的statmodels包。
这是example
多一点输入以避免仅链接回答
假设你知道python这里是我前面提到的例子的摘录。
import numpy as np
import pandas as pd
from statsmodels.genmod.generalized_estimating_equations import GEE
from statsmodels.genmod.cov_struct import (Exchangeable,
Independence,Autoregressive)
from statsmodels.genmod.families import Poisson
pandas 将保存数据框，其中包含您要用于提供泊松模型的数据。
statsmodels 包包含大量统计模型，如线性、概率、泊松等。从这里您将导入泊松族模型（提示：请参阅上次导入）
您拟合模型的方式如下（假设您的因变量称为 y 并且您的 IV 是年龄、trt 和基数）：
fam = Poisson()
ind = Independence()
model1 = GEE.from_formula("y ~ age + trt + base", "subject", data, cov_struct=ind, family=fam)
result1 = model1.fit()
print(result1.summary())
由于我不熟悉您的问题的性质，如果您需要计算过度分散的数据，我建议您查看负二项式回归。如果过度分散，您的泊松假设可能不成立。
R 中泊松回归的大量信息 - 只需谷歌即可。
现在希望这个答案有所帮助。
【讨论】：