待更新…..
连续型因变量
general linear regression
二分类因变量
logistic regression
Logistic回归：适用于任何二分类结局的建模，特别是稀有事件；也是最常见的二分类模型。
目的是估计结局的优势比 (Odds Ratio, OR)。
输出的回归系数是OR的对数，可以解释为结局事件的“发生优势”。当结局发生率较低时，OR接近RR，但当发生率较高时，OR会偏离RR，因此不适合高发生率事件的RR估计。
log-binomial
当结局发生率较高、logistic回归难以解释RR时。log-binomial可以对RR进行估计，从而在二分类结局中实现更直观的风险解释。
目的：Log-binomial回归直接建模二分类结局的相对风险 (RR)。
原理：在log-binomial回归中，结局的发生概率通过log-link函数建模，估计出的参数可以直接解释为相对风险。
优缺点：Log-binomial回归的优势在于它能直接估计RR，因此结果解读直观。但该模型容易出现不收敛问题，特别是在某些样本或数据分布下。
适用情况：在样本量适中、数据分布良好的二分类结局中，log-binomial回归是直接估计RR的理想方法。
Modified Poisson regression
目的：当logistic回归不适用时，通过引入稳健标准误的Poisson回归可以实现对RR的稳健估计。
原理：Poisson回归通常用于计数数据，但可以应用在二分类数据中，通过引入稳健标准误来控制过度离散。其回归参数可以解释为RR的近似值。
优缺点：Poisson回归相对容易收敛，且引入稳健标准误后可以得到相对可靠的RR估计。缺点是Poisson回归并不直接针对二分类数据，因此其效果可能在某些数据分布下不如log-binomial回归。
适用情况：在log-binomial回归不收敛时，修正的Poisson回归是很好的替代方法，因为它相对容易实现且稳健。
罕见离散型变量
PoIsson regression
适合事件计数数据的建模，特别是当数据是泊松分布时。它也可以通过对数链接来估计率比 (Rate Ratio) 或其他相对变化。
negative binomial regression
目的：处理方差大于均值的过度离散计数数据。
原理：负二项回归在Poisson回归的基础上引入了一个额外的分布参数，以允许方差大于均值。它假设数据服从一个负二项分布，通过在Poisson模型中加入一个Gamma分布的随机误差项，来解释额外的变异。
优缺点：
- 负二项回归能够很好地处理具有过度离散的计数数据，并且模型估计较为稳定。
- 缺点是负二项回归引入了一个额外参数（α\alphaα），增加了模型复杂性。
应用：负二项回归适用于需要明确建模数据生成过程，并且需要更稳定的参数估计的场景。
Quassi-poisson regression
目的：类似Poisson回归，但通过调整标准误来处理过度离散，而不改变Poisson模型的均值结构。
优缺点：
- Quasi-Poisson回归简单而有效，特别是在只需要修正标准误的情况下。它在模型复杂性上较为简单，不引入额外的分布假设。
- 缺点是无法明确估计超额离散参数（ϕ\phiϕ）的具体来源，也无法提供负二项回归那样的数据生成机制。
应用：Quasi-Poisson回归适合简单的过度离散校正，不需要引入额外分布假设的情况。
