Słownik metodologiczny · Modele regresji

Model Tweedie: regresja dla danych z zerami i dodatnimi kwotami

Model Tweedie to uogólniony model liniowy dla zmiennych, które przyjmują dokładnie zero albo dodatnie wartości ciągłe, np. kosztów czy wydatków. Wyjaśniamy rolę parametru mocy p, kiedy wybrać ten model i jak go dopasować w R.

Strona główna / Słownik / Model Tweedie
W skrócie: Model Tweedie to GLM, w którym wariancja rośnie jak potęga średniej, Var(Y) = φ·μp. Dla 1 < p < 2 rozkład łączy masę w zerze z ciągłymi wartościami dodatnimi, więc pasuje do kosztów, wydatków i podobnych zmiennych.

Co to jest model Tweedie?

Model Tweedie to uogólniony model liniowy z rozkładem z rodziny Tweediego, w której wariancja jest potęgą średniej: Var(Y) = φ·μp. Parametr mocy p wybiera znane przypadki: p = 0 – rozkład normalny, p = 1 – Poisson, p = 2 – gamma. Rodzina należy do wykładniczych modeli dyspersyjnych, których ogólne własności opisał Jørgensen (1987).

Najczęściej używa się przedziału 1 < p < 2. Wtedy Y jest sumą losowej liczby zmiennych gamma, a liczba składników ma rozkład Poissona (złożony rozkład Poissona–gamma). Gdy żadne zdarzenie nie zaszło, Y = 0, więc rozkład ma masę w zerze, a dla Y > 0 jest ciągły i prawoskośny. Tak wyglądają koszty leczenia, wydatki, opady czy czas poświęcony na zajęcie, które części osób w ogóle nie dotyczy. Smyth i Jørgensen (2002) opisali ten model dla roszczeń ubezpieczeniowych (poissonowska liczba roszczeń, koszty gamma) i pokazali, że opłaca się modelować także dyspersję.

Przykład

W symulowanych danych 400 osób 40.2% miało koszt równy 0. Średni koszt wyniósł 73.8 w grupie kontrolnej i 111.4 w grupie programu. Model Tweedie z p = 1.5 i logarytmiczną funkcją łączącą dał iloraz średnich 1.51, 95% CI [1.16, 1.96]. Funkcja tw() z mgcv oszacowała p = 1.355; dla danych generowanych z kształtem gamma 2 wartość teoretyczna to (2 + 2)/(2 + 1) = 1.333. Profil wiarygodności z tweedie_profile() dał p = 1.35, 95% CI [1.29, 1.40].

Na rysunku

Dwa panele. A: słupki odsetka osób z kosztem równym zero – 47.1% w grupie kontrolnej (niebieski słupek) i 34.0% w grupie programu (pomarańczowy). B: histogramy kosztów dodatnich w dwóch wierszach, osobno dla grupy kontrolnej i programu; większość kosztów leży poniżej 200, pojedyncze sięgają ponad 700, rozkład jest wyraźnie prawoskośny
Rysunek 1. Koszty z przykładu: odsetek zer (A) i rozkład kosztów dodatnich (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(639)).

Co widać. Te same 400 kosztów co w przykładzie, rozdzielone na dwie części. Koszt równy 0 ma 47.1% osób w grupie kontrolnej i 34.0% w grupie programu (A). Koszty dodatnie są ciągłe i prawoskośne: mediana 128.3, maksimum 721.7 (B). Model Tweedie opisuje oba panele jednym rozkładem, a program zmienia jednocześnie odsetek zer i wysokość kwot.

Na co uważać. Zwykły histogram wrzuciłby zera do pierwszego przedziału razem z małymi kwotami i ukrył masę w zerze – dlatego zera są tu osobnym panelem. Rysunek nie mówi, czy zera i kwoty mają wspólny mechanizm; jeśli nie, rozważ model hurdle. O doborze szerokości przedziałów pisze wpis Rozkład zmiennej na wykresie.

Podpis do pracy:

Rysunek 1. Odsetek osób bez kosztów (A) i rozkład kosztów dodatnich (B) w grupie kontrolnej (n = 191) i w grupie programu (n = 209). Uwaga. W panelu B szerokość przedziału wynosi 25.
Wykres liniowy gęstości części dodatniej rozkładu Tweedie o średniej 90 i dyspersji 16.7 dla trzech wartości parametru mocy. Zielona linia ciągła, p = 1.2: garb z maksimum poniżej 100, P(Y = 0) = 0.065. Niebieska linia przerywana, p = 1.5: gęstość malejąca od zera, P(Y = 0) = 0.321. Pomarańczowa linia kropka-kreska, p = 1.8: ostry szczyt przy samym zerze i długi ogon, P(Y = 0) = 0.479
Rysunek 2. Rozkład Tweedie o tej samej średniej i dyspersji dla p = 1.2, 1.5 i 1.8. Obliczenia: R, pakiety ggplot2 i tweedie (wartości teoretyczne).

Co widać. Średnia μ = 90 i dyspersja φ = 16.7 są stałe, zmienia się tylko p. Im większe p, tym mniej zdarzeń w złożonym rozkładzie Poissona–gamma, więc więcej zer (od 0.065 przy p = 1.2 do 0.479 przy p = 1.8) i bardziej skośna część dodatnia. Przy p blisko 1 rozkład przypomina przeskalowany rozkład Poissona, przy p blisko 2 – rozkład gamma.

Na co uważać. Parametr mocy zmienia kształt całego rozkładu, a nie tylko odsetek zer, dlatego warto go szacować, a nie przyjmować z przyzwyczajenia. Wartości μ i φ ustawiono ręcznie (φ jak w modelu z przykładu); przy innych wartościach liczby się zmienią, kierunek – nie.

Podpis do pracy:

Rysunek 2. Gęstość części dodatniej rozkładu Tweedie o średniej 90 i dyspersji 16.7 dla trzech wartości parametru mocy p. Uwaga. W legendzie podano prawdopodobieństwo wyniku równego 0.

Ziarno set.seed(639) to ziarno danych z przykładu; nie było zmieniane. Rysunek 2 nie losuje. Rysunki na stronie różnią się od wyniku kodu tylko motywem serwisu.

Kod R rysunku 1
# Rysunek 1. Koszty z przykładu: masa w zerze i prawoskośna część dodatnia (dane symulowane)
library(ggplot2)
library(patchwork)

kol <- c(kontrolna = "#0072B2", program = "#D55E00")   # paleta Okabe–Ito
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

set.seed(639)                                        # te same dane co w przykładzie wyżej
n <- 400
grupa <- rbinom(n, 1, 0.5)
liczba <- rpois(n, exp(log(0.8) + log(1.5) * grupa))
koszt <- sapply(liczba, function(k) sum(rgamma(k, shape = 2, scale = 50)))
d <- data.frame(koszt, grupa = factor(grupa, 0:1, c("kontrolna", "program")))
table(d$grupa)
zera <- aggregate(koszt ~ grupa, d, function(x) 100 * mean(x == 0))
names(zera)[2] <- "proc"
transform(zera, proc = round(proc, 1))
round(c(max = max(koszt), mediana_dodatnich = median(koszt[koszt > 0])), 1)

pA <- ggplot(zera, aes(grupa, proc, fill = grupa)) +
  geom_col(width = 0.7, colour = "grey20") +
  geom_text(aes(label = sprintf("%.1f%%", proc)), vjust = -0.4, size = 4.2) +
  scale_fill_manual(values = kol) + scale_y_continuous(limits = c(0, 55), breaks = seq(0, 50, 10)) +
  labs(title = "A. Koszt = 0", x = NULL, y = "% osób w grupie") + motyw + theme(legend.position = "none")
pB <- ggplot(subset(d, koszt > 0), aes(koszt, fill = grupa)) +
  geom_histogram(aes(y = after_stat(count)), binwidth = 25, boundary = 0, colour = "grey20",
                 position = "identity", alpha = 0.55) +
  facet_wrap(~ grupa, ncol = 1) +
  scale_fill_manual(values = kol, guide = "none") +
  labs(title = "B. Koszt > 0 (ciągły, prawoskośny)", x = "Koszt", y = "Liczba osób") + motyw
p1 <- pA + pB + plot_layout(widths = c(1, 2.6))
p1
Wynik w R (rysunek 1)

kontrolna   program 
      191       209 
      grupa proc
1 kontrolna 47.1
2   program 34.0
              max mediana_dodatnich 
            721.7             128.3 
Kod R rysunku 2
# Rysunek 2. Rozkład Tweedie o tej samej średniej (μ = 90) i dyspersji (φ = 16.7) dla trzech wartości p
library(ggplot2)
library(tweedie)

motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

mu <- 90; phi <- 16.7                                # wartości ustawione ręcznie (φ jak w modelu z przykładu)
p <- c(1.2, 1.5, 1.8)
P0 <- exp(-mu^(2 - p) / (phi * (2 - p)))             # P(Y = 0) = exp(−λ), λ = μ^(2−p) / [φ(2−p)]
round(cbind(p, lambda = mu^(2 - p) / (phi * (2 - p)), P0 = P0,
            P0_dtweedie = sapply(p, function(pp) dtweedie(0, mu = mu, phi = phi, power = pp))), 3)
y <- seq(1, 500, by = 2)
g <- do.call(rbind, lapply(seq_along(p), function(i)
  data.frame(y, gest = dtweedie(y, mu = mu, phi = phi, power = p[i]),
             p = sprintf("p = %.1f: P(Y = 0) = %.3f", p[i], P0[i]))))

kol <- c("#009E73", "#0072B2", "#D55E00")
p2 <- ggplot(g, aes(y, gest, colour = p, linetype = p)) +
  geom_line(linewidth = 1.1) +
  scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = c("solid", "dashed", "dotdash"), name = NULL) +
  guides(colour = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1)) +
  labs(title = "Część dodatnia (gęstość); masa w zerze w legendzie", x = "Koszt (y > 0)", y = "Gęstość") + motyw
p2
Wynik w R (rysunek 2)
       p lambda    P0 P0_dtweedie
[1,] 1.2  2.739 0.065       0.065
[2,] 1.5  1.136 0.321       0.321
[3,] 1.8  0.736 0.479       0.479

Jak opisać w pracy

Koszty (40.2% wartości zerowych) analizowano modelem Tweedie z łącznikiem logarytmicznym; parametr mocy oszacowano na 1.36. Średni koszt w grupie programu był 1.51 razy wyższy niż w grupie kontrolnej, 95% CI [1.16, 1.96].

Na co uważać

  • Jeden mechanizm dla zer i kwot. Predyktor zmienia jednocześnie szansę zera i wysokość kwoty. Gdy te procesy są różne, lepszy bywa model hurdle (część binarna + dodatnia).
  • Parametr p wybierz świadomie – oszacuj go albo porównaj wiarygodność profilową dla kilku wartości; podaj go w pracy.
  • Nie dla zliczeń. Dla liczb całkowitych zostań przy Poissonie, modelu ujemnym dwumianowym lub modelu z nadmiarem zer.
  • Nie zastępuj go log(y + 1). Transformacja logarytmiczna ze stałą zmienia wynik zależnie od jej wyboru, a model Tweedie pracuje na skali oryginalnej.
Przykład reprodukowalny

Model Tweedie w R

Kod generuje koszty jako sumę poissonowskiej liczby kwot gamma, dopasowuje glm() z rodziną tweedie() z pakietu statmod (p = 1.5) i model gam() z rodziną tw() z mgcv, który szacuje p, a na koniec liczy profil wiarygodności dla p funkcją tweedie_profile() z pakietu tweedie. Liczby w tekście pochodzą z tego kodu.

Iloraz średnich kosztów i oszacowanie parametru mocy

Dane wejściowe: 400 osób w dwóch grupach; koszt = suma Poisson(λ) kwot gamma (kształt 2, skala 50), zero przy braku zdarzeń (set.seed(639)); pakiety statmod, mgcv i tweedie.

Co odczytać: odsetek zer i średnie w grupach; iloraz średnich z 95% CI i dyspersję φ z modelu p = 1.5; p oszacowane przez tw() i wartość teoretyczną 4/3; p z profilu wiarygodności z 95% CI.

R
# Model Tweedie (1 < p < 2): masa w zerze i dodatnie kwoty ciągłe (dane symulowane)
suppressPackageStartupMessages({library(statmod); library(mgcv)})
set.seed(639)
n <- 400
grupa <- rbinom(n, 1, 0.5)                          # np. program wsparcia (1) vs brak (0)
lam <- exp(log(0.8) + log(1.5) * grupa)             # średnia liczba wizyt
liczba <- rpois(n, lam)                             # ile razy coś się wydarzyło
koszt <- sapply(liczba, function(k) sum(rgamma(k, shape = 2, scale = 50)))  # suma kwot (0, gdy k = 0)
d <- data.frame(koszt, grupa)
round(c(odsetek_zer = mean(koszt == 0), srednia_0 = mean(koszt[grupa == 0]),
        srednia_1 = mean(koszt[grupa == 1]), iloraz_srednich = mean(koszt[grupa == 1]) / mean(koszt[grupa == 0])), 3)
# glm z rodziną Tweedie (statmod): p = 1.5, łącznik logarytmiczny (link.power = 0)
m_tw <- glm(koszt ~ grupa, family = tweedie(var.power = 1.5, link.power = 0), data = d)
round(c(iloraz_srednich_model = exp(unname(coef(m_tw)["grupa"])),
        exp(confint.default(m_tw)["grupa", ]), dyspersja = summary(m_tw)$dispersion), 3)
# mgcv: tw() szacuje parametr mocy p razem z modelem
m_gam <- gam(koszt ~ grupa, family = tw(), data = d, method = "REML")
round(c(p_oszacowane = m_gam$family$getTheta(TRUE), iloraz_srednich_gam = exp(unname(coef(m_gam)["grupa"]))), 3)
# Teoria dla tych danych: p = (alfa + 2) / (alfa + 1) przy kształcie gamma alfa = 2
round((2 + 2) / (2 + 1), 3)
# Pakiet tweedie: profil wiarygodności dla p (z wygładzeniem i 95% CI)
invisible(capture.output(                          # capture.output() ukrywa pasek postępu
  prof <- tweedie::tweedie_profile(koszt ~ grupa, data = d, p.vec = seq(1.2, 1.8, by = 0.1))))
round(c(p_profil = prof$p.max, p_dolna = prof$ci[1], p_gorna = prof$ci[2]), 3)
Wynik w R
    odsetek_zer       srednia_0       srednia_1 iloraz_srednich 
          0.402          73.825         111.428           1.509 
iloraz_srednich_model                 2.5 %                97.5 % 
                1.509                 1.162                 1.960 
            dyspersja 
               16.739 
       p_oszacowane iloraz_srednich_gam 
              1.355               1.509 
[1] 1.333
p_profil  p_dolna  p_gorna 
   1.347    1.292    1.401 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety statmod 1.5.2, mgcv 1.9-4 i tweedie 3.1.0). Rysunki 1 i 2 wykonano w pakiecie ggplot2 4.0.2, panele rysunku 1 złożono pakietem patchwork 1.3.2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. statmod (wersja 1.5.2): Giner, G., & Smyth, G. K. (2016). statmod: Probability calculations for the inverse Gaussian distribution. The R Journal, 8(1), 339–351. https://doi.org/10.32614/RJ-2016-024
  3. mgcv (wersja 1.9-4): Wood, S. N. (2011). Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 73(1), 3–36. https://doi.org/10.1111/j.1467-9868.2010.00749.x
  4. tweedie (wersja 3.1.0): Dunn, P. K. (2026). tweedie: Evaluation of Tweedie exponential family models (R package version 3.1.0) [Computer software]. https://CRAN.R-project.org/package=tweedie
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  6. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kiedy wybrać model Tweedie, a kiedy model hurdle?

Model Tweedie zakłada jeden proces: zero oznacza, że nie zaszło żadne zdarzenie, a predyktory działają jednocześnie na szansę zera i wysokość kwoty. Model hurdle ma dwie osobne części, binarną i dodatnią, z własnymi współczynnikami. Jeśli spodziewasz się, że różne czynniki decydują o tym, czy ktoś w ogóle ponosi koszt, i o tym, ile wydaje, wybierz model hurdle.

Jak wybrać parametr mocy p?

Oszacuj go razem z modelem (np. rodzina tw() w mgcv) albo dopasuj model dla kilku wartości p między 1 a 2 i wybierz tę o najwyższej wiarygodności profilowej. Współczynniki zwykle niewiele zależą od dokładnej wartości p, ale błędy standardowe już tak, dlatego podaj p w pracy.

Czy regresja gamma nie wystarczy?

Nie, jeśli w danych są zera. Rozkład gamma dotyczy tylko wartości dodatnich, więc regresja gamma wymaga usunięcia zer albo dodania stałej. Model Tweedie z 1 < p < 2 obejmuje zera bez takich zabiegów; gdy zer nie ma, p bliskie 2 daje wynik zbliżony do regresji gamma.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Jørgensen, B. (1987). Exponential dispersion models. Journal of the Royal Statistical Society: Series B (Methodological), 49(2), 127–145. https://doi.org/10.1111/j.2517-6161.1987.tb01685.x
  2. Smyth, G. K., & Jørgensen, B. (2002). Fitting Tweedie's compound Poisson model to insurance claims data: Dispersion modelling. ASTIN Bulletin, 32(1), 143–157. https://doi.org/10.2143/ast.32.1.1020 ● Otwarty dostęp

Cytowania BibTeX

@article{jorgensen1987exponential, author={Jørgensen, Bent}, title={{Exponential dispersion models}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1987}, volume={49}, number={2}, pages={127--145}, doi={10.1111/j.2517-6161.1987.tb01685.x}}
@article{smyth2002fitting, author={Smyth, Gordon K. and Jørgensen, Bent}, title={{Fitting Tweedie's compound Poisson model to insurance claims data: Dispersion modelling}}, journal={ASTIN Bulletin}, year={2002}, volume={32}, number={1}, pages={143--157}, doi={10.2143/ast.32.1.1020}}
R