= Modelo Lineal Generalizado (Generalized Linear Model) =

Los modelos lineales generalizados (GLM) son una extensión de las regresiones o modelos lineales a través de una función, denominada "función de enlace".

En los modelos GLM se asume que la variable dependiente {{{Y}}} está generada por una función de distribución de la familia exponencial. La media {{{M}}} de la distribución depende de las variables independientes {{{X}}}}, a través de la fórmula:
{{{
E(Y) = M = InvG(B'X)
}}}
donde {{{B'X}}} es el "predictor lineal", {{{B}}} la matriz de parámetros y {{{InvG}}} la inversa de la función de enlace.

Para más detalles, véase el artículo sobre el [http://es.wikipedia.org/wiki/Modelo_lineal_generalizado modelo lineal genearalizado] en es.wikipedia.org.

== Modelo Logit ==

La función de enlace del modelo logit es:
{{{
Logit(p) = Log(p/(1-p))
}}}
y su inversa:
{{{
InvLogit(z) = 1/(1+Exp(-z)) = Exp(z)/(Exp(z)+1)
}}}

=== Verosimilitud y derivadas ===

==== Log-Likelihood ====

El logaritmo de la verosimilitud (''log-likelihood'') es:
{{{
LogL = Sum_i( Y_i*Log(P_i) + (1-Y_i)*Log(1-P_i) )
}}}
donde el subíndice {{{i}}} hace referencia a la {{{i}}}-ésima observación.

Teniendo en cuenta que la probabilidad de la {{{i}}}-ésima observación viene dada por:
{{{
P_i = InvLogit(B'X_i) = 1/(1+Exp(-B'X_i))
}}}
podemos escribir:
{{{
LogL = Sum_i( Y_i*Log(1/(1+Exp(-B'X_i))) + (1-Y_i)*Log(1-1/(1+Exp(-B'X_i))) ) =

     = - Sum_i( Y_i*Log(1+Exp(-B'X_i)) + (1-Y_i)*Log(1+Exp(B'X_i)) )
}}}

==== Gradient ====

La primera derivada respecto a la matriz de parámetros ({{{B}}}) es el gradiente del logaritmo de la verosimilitud:

{{{
Grad = d(LogL(B))/dB = - Sum_i( Y_i*Exp(-B'X)*(-X_i)/(1+Exp(-B'X)) + (1-Y_i)*Exp(B'X)*X_i/(1+Exp(B'X)) )

}}}