因此，您需要弄清楚您正在对响应建模的规模。对于betaregR 中的函数，我们有以下模型

$$\text{logit}(y_i)=\beta_0+\sum_{i=1}^p\beta_i$$

其中是我们在 R 中使用函数（即族二项式）中的 logit 链接时习惯的常用对数几率。因此，返回的 beta 系数是额外的增加（或减少）如果 beta 为负数）在您响应的对数几率中。我假设您希望能够解释概率尺度上的贝塔（即，在区间 (0,1) 上），因此一旦您有了贝塔系数，您所需要做的就是简单地改变响应，即$\text{logit}(y_i)$glmbetareg

$$\text{logit}(y_i)=\beta_0+\sum_{i=1}^p\beta_i\Rightarrow y_i=\frac{e^{\beta_0+\sum_{i=1}^p\beta_i}}{1+e^{\beta_0+\sum_{i=1}^p\beta_i}}$$

因此，您应该意识到我们基本上使用了来自标准广义线性建模的相同结果和解释（在 logit 链接下）。逻辑回归和 beta 回归之间的主要区别之一是，您允许响应的方差比逻辑回归中的方差大得多，以处理过度分散的典型问题。