1、线性回归模型

适用于自变量X和因变量Y为线性关系，具体来说，画出散点图可以用一条直线来近似拟合。

模型可以表达为：{y=Xβ+εε∼MVN(0,σ2In)，其中ε是随机误差，MVN为多元正态分布。

模型有几个基本假设：自变量之间无多重共线性；随机误差随从0均值，同方差的正态分布；随机误差项之间无相关关系。

参数使用最小二乘法进行估计。

假设检验有两个，一个是参数的检验，使用t检验；另一个是整个模型的检验，使用F检验，在构造F统计量时，需要把模型的平方和进行分解，会使用到方差分析。

此外，判定系数R2和修正判定系数R¯2都需要使用到方差分析的结果。

2、线性混合模型

我记得我学过，可是没怎么用过。我的理解为在线性模型中加入随机效应项。

模型可以表达为：{Y=Xβ+Zγ+εγ∼MVN(0,G)ε∼MVN(0,R)，其中Y,Xβ的意义和线性回归的意义相同，Xβ是固定效应部分，Zγ是随机效应部分，G，R都是协方差矩阵。

同时假定Cov(G,R)=0，即G和R之间无相关关系。

为了使用上的麻烦，统计学家提供了几种协方差的形式供大家使用。

3、广义线性模型

广义线性模型，是为了克服线性回归模型的缺点出现的，是线性回归模型的推广。

首先自变量可以是离散的，也可以是连续的。离散的可以是0-1变量，也可以是多种取值的变量。

与线性回归模型相比较，有以下推广：

（1）随机误差项不一定服从正态分布，可以服从二项、泊松、负二项、正态、伽马、逆高斯等分布，这些分布被统称为指数分布族。

（2）引入联接函数g(⋅)。因变量和自变量通过联接函数产生影响，即Y=g(Xβ)，联接函数满足单调，可导。常用的联接函数有恒等（Y=Xβ），对数（Y=ln⁡(Xβ)），幂函数（Y=(Xβ)k），平方根（Y=Xβ），logit（ln⁡(Y1−Y)=Xβ）等。

根据不同的数据，可以自由选择不同的模型。大家比较熟悉的Logit模型就是使用Logit联接、随机误差项服从二项分布得到模型。
转自https://bbs.pinggu.org/thread-2996069-1-1.html