计数回归工具

使用计数回归创建回归模型，该模型可将感兴趣的非负整数值（0、1、2、3 等）字段（目标变量）与一个或多个将会对目标变量产生影响的字段进行关联，这些字段通常称为预测变量。

常见案例包括客户在给定月份访问某特定餐厅的次数，或某特定移动电话帐户下有多少电话号码。在这些案例中，使用线性模型会导致估计出现偏差。两种最为著名的计数回归模型为泊松回归* 模型和负二项式模型 **。在给定一组预测变量的情况下，计数数据回归模型允许用户获得对观察单元（例如客户）的预期事件数量（例如商店访问次数）的估计值。

泊松回归模型对目标字段的均值和方差之间的关系做出了强有力的假设（具体而言，它们彼此相等）。为此，准泊松模型应运而生。准泊松模型允许均值与方差不同，但代价是缺少定义的信息标准度量值（如 AIC），因此准泊松模型不能用作逐步回归变量选择的起点。负二项式回归模型确实有定义明确的信息标准，并允许基础分布的均值和方差存在差异，因此通常更可取。应该注意的是，使用均值和方差彼此不同的数据估计的泊松回归模型提供了均值和相应模型参数的无偏差估计值，但统计显著性测试存在偏差。

借助此工具，如果输入数据来自常规 Alteryx 数据流，则使用开源的 R glm 函数进行模型估计。如果输入来自 XDF 输入工具或 XDF 输出工具，则使用 Revo ScaleR rxGlm 函数进行模型估计。使用基于 Revo ScaleR 的函数的优势在于，它允许分析更大（超过内存）的数据集，但代价是创建 XDF 文件需要额外开销，无法创建开源 R 函数提供的某些模型诊断输出，并且只能生成泊松回归模型。

此工具使用 R 工具。转至选项下载预测工具，并登录到 Alteryx 下载和许可证门户以安装 R 和 R 工具使用的软件包。请访问下载和使用预测工具。