廣義回歸人格與診斷包大家好，
我有一個快速的問題; JMP13 pro具有廣義回歸個性。 在擬合數據後，可以使用Diagnostic Bundle檢查殘差。 如果我使用Gamma分佈，殘差是否遵循ANOVA假設（即正態性，同質性，iid）？
謝謝
Gamma分佈的廣義回歸
回复：廣義回歸人格和診斷包方差與響應水平成比例。您可以嘗試通過廣義線性模型個性進行泊鬆對數線性回歸，因為您在計算。選擇Poisson分佈和規範日誌鏈接功能。一定要包括兩個選項：過度分散和Firth偏差調整。因為您正在使用DOE，所以我希望每次運行的機會相同，因此不需要偏移。
回复：廣義回歸人格和診斷包 如果處理，殺菌劑類型（X1）和真菌批次（X2）影響平均孢子數（Y），我試圖解決。 實驗設計是2x2因子，每個處理組合重複4次。 對殘差的分析不符合ANOVA假設。 特別是，我擔心殘差似乎不是正態分佈的，並且具有不等的方差，因此使治療的統計顯著性的結論無效。
轉換數據也不會“標準化”殘差。 因此，我有興趣應用JMP中廣義回歸個性提供的任何分佈（例如Gamma）。
回复：廣義回歸人格和診斷包在我們進一步討論剩餘問題之前，您可以與我們分享您試圖解決的實際問題嗎？在你的文件中，你有一個很好的平衡，複製的設計實驗，有兩個標稱因子，每個都有兩個級別。每個處理組合重複4次。沒有一些事先考慮和理由，人們很少創造出這樣的設計。在我開始檢查“統計”和可視化以評估其他人創建的研究之前，我想了解該研究的目標。
回复：廣義回歸人格和診斷包非常感謝您的回复。我正在使用廣義回歸（JSL）腳本附加JMP文件。 我想知道，我應該檢查伽馬分佈殘差的特徵是什麼？
回复：廣義回歸人格和診斷包除了Peter的解釋之外，您可以將每個殘差（Y觀察到的Y預測）視為對響應誤差的估計。您使用的廣義回歸模型使用伽馬分佈對誤差建模。因此，在使用殘差檢查回歸假設時，假設伽瑪分佈而不是正態分佈。
回复：廣義回歸人格和診斷包我認為你可能正在混淆我們想要對殘差及其所需屬性的假設，以及它們實際上的計算結果。根據適合的模型，任何JMP建模平台的殘差都不比實際觀察到的響應與特定觀察的預測值之間的差異更優雅。所以殘差就是它們。
所以這裡真的有兩個步驟......
第1步：計算殘差。
步驟2：分析“缺乏適應性”或任何其他可疑模式的殘差，這些模式可能會對模型的實際用途持續使用產生疑問。
我們使用殘差分析等技術，許多可視化都嵌入在診斷包中，以測試我們想要測試的假設。因此，捆綁包的可視化中沒有任何嵌入式假設。數據就是數據。您可以使用您的眼睛和領域專業知識來測試正常性，非隨機模式，異常值等。你的眼睛和領域的專業知識應該勝過這個星球上的任何F測試或其他“缺乏適應性”測試。
