Skip to content

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 ​

g(E[Y])=β0+β1X1+⋯+βkXk
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Gaussianidentity線性迴歸Y 的差
二元 / 比例Binomiallogit邏輯斯迴歸eβ = odds ratio
計數PoissonlogPoisson 迴歸eβ = rate ratio
計數(過度離散)Negative Binomiallog負二項迴歸eβ = rate ratio
正值、右偏Gammalog / inverseGamma 迴歸eβ = 平均值的倍數

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 ​

log⁡E[Y]=β0+β1X⇒E[Y]=eβ0⋅eβ1X

X 增加 1 單位,預期計數乘上 eβ1(rate ratio, RR)。

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):

log⁡E[Y]=log⁡(exposure)+β0+β1X⇔log⁡E[Y]exposure=β0+β1X
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。

Mean-variance relationship

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:

log⁡μij=log⁡sj+β0+β1⋅conditionj+β2⋅batchj
元素對應
Yij基因 i 在樣本 j 的 read count
sjsize factor(定序深度標準化),即 offset
β1log 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