前回までは線形回帰の理論とそれを使った分析の実例について紹介しました。 【理論編】 randpy.hatenablog.com 【実践編】 randpy.hatenablog.com randpy.hatenablog.com しかし全てのデータを線形回帰で分析しようとすると、良い結果が得られないことがあります。 そこでよく用いられるのが一般化線形モデル（GLM : generalized linear model）という手法です。 今回は、線形回帰の問題点とそれを回避する一般化線形モデルについて紹介します。 線形回帰だとうまくいかない例例えば、コンビニの1分間あたりの来店数と商品のバリエーション数の相関を分析したいとします。来店数が目的変数で商品バリエーション数が説明変数です。 つまり、置いてある商品の種類が多いコンビニほど、来店数も多いだろうという仮定を置いている、ということになります