二项式分布是在已知的、有限数量的“试验”中“成功”数量的分布（例如，在一定数量的硬币翻转中出现正面）。在成功概率和试验次数固定的情况下，成功次数的方差也是固定的。典型的逻辑回归场景将伯努利数据（单次抛硬币）作为其响应，但是当您有的二项式数据时，您会发现响应数据的变化超出了应有的范围。在这种情况下，将违反二项式 GLiM 的假设。 $\pi$$n$$n>1$

贝塔二项分布放宽了这个假设。它包含三个参数，，这给了它额外的灵活性来解决上述情况下的过度分散问题。然而，这里重要的一点是，过度分散/更大的方差只能存在于次试验中成功计数的数据中。因此，（或任何其他软件）需要数据以适合模型的形式出现。 ，例如，使用事件/试验；使用，这是等价的。（对于它的价值，在您链接到的文档页面中，我只在列出的示例中看到。） $n, \alpha, \& \beta$$n>1$RSASRcbind(successes, failures)cbind(successes, failures)