這些等效的方法是為響應變量建模嗎？你好，
我的例子涉及重複測量實驗，其中每10分鐘從每個受試者收集樣本數據點，總共10次測量（t0，t1，...，t9）。
作為一個簡單的例子，感興趣的響應變量是：連續眨眼之間的時間間隔。
我的問題... 以下兩個響應變量的定義是等效的嗎？
1）每10分鐘時間窗口中記錄的眨眼次數
2）每個10分鐘時間窗口中連續閃爍之間的平均時間
此外，它們會被歸類為泊松，二項式，還是正常分佈？
謝謝，
J.P
Re：這些等效方法是為響應變量建模嗎？如果最終試圖在響應變量集中構建具有大量“零”的回歸模型，則有一系列回歸技術通常被稱為“零膨脹”。零膨脹建模功能是適合模型中JMP Pro的一部分 - >廣義回歸個性，分佈：ZI二項式（和其他）。以下是JMP在線文檔相關部分的鏈接：
http://www.jmp.com/support/help/13/Distribution.shtml
Re：這些等效方法是為響應變量建模嗎？謝謝。我將研究“矮胖”數據的文獻。
Re：這些等效方法是為響應變量建模嗎？我同意這兩種方法不一樣。 這是一個可能有點極端的例子，但很有用：假設您通過流程行為圖表跟踪您公司所在地每月的可記錄傷害。 有幾個月沒有受傷，有幾個月有1，或2，o3等。 如果每月可記錄傷害的平均數量很少（<6），那麼數據就是“矮胖”（參見Donald Wheeler博士關於Chunky數據的文章），並且控製圖方法不會產生有用的結果/結論。 但是，如果您按“可記錄傷害之間的天數”進行跟踪，則控製圖表運行良好。
什麼是數據分佈？有什麼關係？I-MR圖表不要求數據具有特定分佈！
Re：這些等效方法是為響應變量建模嗎？謝謝您的回复。
如果測試間隔為100秒，則人1可能有超過10次閃爍，因為有15秒（9 * 5 + 40 = 85s而10 * 10 = 100s）下落不明。這假設人1的潛在的第11次閃爍沒有從10日開始大於15秒的時間，其中它將對下一個時間間隔有貢獻。
話雖如此，你的觀點很明確，很有道理。
Re：這些等效方法是為響應變量建模嗎？我認為你不應該對這兩個答案一視同仁。只是比較兩種情況：
人1具有非常規律的閃爍頻率。
人2有更高的眨眼頻率，但無論出於何種原因，一次她在兩次眨眼之間有很長時間。
數據
手段和標準。開發者
兩者都可能以相同數量的閃爍結束，但它們在閃爍之間具有不同的平均時間。
眨眼次數可能是泊松分佈的。
眨眼之間的平均時間可以通過正態分佈近似，但可能更像是威布爾分佈或伽馬分佈，因為時間不能為負。
