glr

分类和回归/线性模型/广义线性回归/glr.md

@@ -8,9 +8,12 @@ $$Y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + … + \beta_{p-1} x_{p-1} + \epsilon
 
   这里$\beta$是未知参数，$\epsilon$是误差项。普通线性模型主要有以下几点假设：
 
-- 因变量$Y$和误差项$\epsilon$均服从正太分布。其中$\epsilon \sim N(0,{{\sigma }^{2}})$，$Y\sim N({{\theta }^{T}}x,{{\sigma }^{2}})$。
+- 因变量$Y$和误差项$\epsilon$均服从正太分布。其中$\epsilon \sim N(0,{{\sigma }^{2}})$，$Y\sim N({{\beta }^{T}}x,{{\sigma }^{2}})$。
 - 预测量$x_i$和未知参数$\beta_i$均具有非随机性。预测量$x_i$具有非随机性、可测且不存在测量误差；未知参数$\beta_i$被认为是未知但不具随机性的常数。
 - 普通线性模型的输出项是随机变量$Y$。普通线性模型主要研究响应变量的均值$E[Y]$。
 - 联接方式：在上面三点假设下，对上式两边取数学期望，可得
 
-$$E[Y]={\beta}_0+{\beta}_1x_1+{\beta}_2x_2+…+{\beta}_{p-1}x_{p-1}$$
+$$E[Y] = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + … + \beta_{p-1} x_{p-1}$$
+
+  在普通线性模型里，响应变量的均值$E[Y]$与预测量的线性组合$\beta_0 + \beta_1 x_1 + \beta_2 x_2 + … + \beta_{p-1} x_{p-1}$通过恒等式(`identity`)连接。
+也可以说是通过$f(x)=x$这个连接函数连接。