外觀
Statistics › 迴歸分析 › GLM 與計數模型
廣義線性模型與計數模型 (GLM & Count Models)
線性迴歸假設 Y 連續且誤差常態。結果是二元、計數、比例、正值偏態時,用廣義線性模型 (generalized linear model, GLM) 把同一套迴歸框架延伸過去。
GLM 的三個元件
| 元件 | 意義 |
|---|---|
| 隨機成分 (random component) | Y 的分配(屬於指數族 exponential family) |
| 系統成分 (systematic component) | 線性預測子 Xβ |
| 連結函數 (link function) g | 把 E[Y] 的範圍對應到 (−∞, ∞) |
| 結果變數 | 分配 | 常用 link | 模型 | 係數解讀 |
|---|---|---|---|---|
| 連續 | Gaussian | identity | 線性迴歸 | Y 的差 |
| 二元 / 比例 | Binomial | logit | 邏輯斯迴歸 | |
| 計數 | Poisson | log | Poisson 迴歸 | |
| 計數(過度離散) | Negative Binomial | log | 負二項迴歸 | |
| 正值、右偏 | Gamma | log / inverse | Gamma 迴歸 |
所有 GLM 都以 最大概似估計 配適,用 deviance、AIC、概似比檢定比較模型。
GLM vs 「先 log 再 OLS」:
log(y) ~ x建模的是 E[log Y](幾何平均);GLM(log link)建模的是 log E[Y](算術平均),而且能處理 y = 0。計數資料優先用 GLM。
Poisson 迴歸
X 增加 1 單位,預期計數乘上
python
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
pois = smf.glm("count ~ treatment + age", data=df, family=sm.families.Poisson()).fit()
pois.summary()
np.exp(pois.params) # rate ratio
np.exp(pois.conf_int())暴露量與 offset
計數依觀察的「量」而不同(觀察時間、人口數、定序深度 library size)時,把 log(暴露量) 當作 offset(係數固定為 1):
python
smf.glm("count ~ treatment", data=df, family=sm.families.Poisson(),
offset=np.log(df["exposure"])).fit()過度離散與負二項迴歸
Poisson 假設 Var(Y) = E(Y)。真實計數資料(尤其生物重複)幾乎都是 Var > Mean,即 過度離散 (overdispersion)。忽略它會讓 SE 太小、p 值太小、偽陽性大增。

低表現量時 Poisson 尚可;表現量越高,αμ² 項越主導,生物重複間的變異遠超 Poisson。
診斷:Pearson χ² / 殘差自由度 ≫ 1。
python
pois.pearson_chi2 / pois.df_resid # ≈ 1 OK;遠大於 1 → 過度離散
# 負二項迴歸:同時估計離散參數 α(Var = μ + αμ²)
nb = smf.negativebinomial("count ~ treatment + age", data=df).fit()
nb.summary() # 輸出中的 alpha 即離散參數
# 替代方案:quasi-Poisson 式的 SE 放大(係數相同,SE 依離散程度調整)
smf.glm("count ~ treatment + age", data=df, family=sm.families.Poisson()).fit(scale="X2")| 方法 | 處理過度離散的方式 |
|---|---|
| Quasi-Poisson | 係數同 Poisson,SE 乘上 √(離散係數) |
| 負二項 | 明確建模 Var = μ + αμ²,可用 AIC 比較 |
| 零膨脹模型 (zero-inflated) | 0 比負二項預期還多(例如單細胞 dropout) |
| 混合效應 Poisson | 過度離散來自群集 / 個體差異 |
生資應用:RNA-seq 差異表現
DESeq2 / edgeR 對每個基因配適一個 NB-GLM:
| 元素 | 對應 |
|---|---|
| 基因 i 在樣本 j 的 read count | |
| size factor(定序深度標準化),即 offset | |
| log fold change(DESeq2 輸出以 log₂ 表示) | |
| batch | 把批次效應放進設計矩陣 (design matrix) 校正 |
| 離散參數 α | 跨基因收縮 (shrinkage) 估計,借用全部基因的資訊 |
| 上萬個基因的 p 值 | BH 校正 → padj,見 多重檢定校正 |
這就是為什麼不該對 count 直接做 t 檢定:count 不是常態、變異隨平均增加、樣本間深度不同,NB-GLM 一次處理這三件事。
實際流程見 RNA-seq:count models、edgeR / DESeq2 / limma-voom、DESeq2 workflow;ChIP-seq 差異結合(DiffBind)也是同一套 NB-GLM。
模型診斷
| 檢查 | 方法 |
|---|---|
| 過度離散 | Pearson χ² / df |
| 模型比較 | AIC、概似比檢定 |
| 殘差 | Deviance / Pearson 殘差 vs 配適值(不應有趨勢) |
| 零過多 | 觀察的 0 比例 vs 模型預測的 0 比例 |