カテゴリカルデータを加重パーセンテージに変換しても大丈夫ですか？私はクッキーのベーキングにおける一貫性を測定することによってオーブンの効率を比較しています（まあ、実際には、私は単に例としてこれを使っています）。データをまとめると、「Cooked Evenly」と「Cooked Unevenly」の2つの回答があります。
新しい列 "％Cooked Evenly"を作成して、Fit X by Y、Y =％均等に調理、X =オーブン、Freq = Batches of Cookiesを実行しますか？こうすることで、私は（バッチの数から）パーセンテージに重きを置いていると思います。このようにデータを実行することで、レターのレポートを接続するための平均/分散分析およびスチューデントtテストを実行できます。これにより、複数のオーブンを同時に比較することが容易になります。
通常、私は「均等に調理された」と「均等に調理された」を積み重ね、一度に2つのオーブンで偶然性分析（プロポーションを観察する）を実行します。複数のオーブンで分割分析を同時に使用すると、統計の概要を把握するのが困難になることがよくあります。
両方のシナリオでデータを実行した後、どのオーブンが他のオーブンよりも著しく優れているかについての同じ概要を得ますが、「重量」をパーセンテージで与えることによってほんのわずかな時間で情報を得ます。
これはカテゴリカルデータの分析にアプローチするための許容できる方法ですか。あらゆる批判を歓迎します。ありがとうございます。
再：カテゴリーデータを加重パーセンテージに変換しても大丈夫ですか？接続文字レポートは、バイナリレスポンスには適していません。この形式の多重比較は、連続応答の一元配置分散分析を対象としています。
手動でプロポーションを作成しましたが、この応答では連続モデリングタイプを使用しないでください。回帰と分散分析では、真の連続応答は無制限だが、あなたの比率は無制限であると仮定します[0,1]。したがって、比率はこの範囲にわたって連続的に変化する可能性がありますが、真の連続的な反応ではありません。
あなたの反応は二項であるので、二項分布とロジットリンク関数を持つロジスティック回帰またはGLMを使うべきです。
再：カテゴリーデータを加重パーセンテージに変換しても大丈夫ですか？私が知る限り、レターレポートは利用できません。一般的に、対照的な選択肢はロジスティックプラットフォームでは限られています。
オッズ比を求める場合は、すべてのカテゴリの組み合わせに対して正式な検定を受けます。
再：カテゴリーデータを加重パーセンテージに変換しても大丈夫ですか？Ron - 異なる行を異なる「Cookieタイプ」と考えてください。混乱させて申し訳ありません。
再：カテゴリーデータを加重パーセンテージに変換しても大丈夫ですか？フィードフォワードをありがとう。
フィットモデルを実行すると、まだ応答を積み重ねていると思いますか。つまり、Y =ラベル（均等に調理された/均等に調理されていない）、X =オーブン、Freq =データ（均等に調理された、または不均等に調理されたバッチの数）です。
手動でデータを変換するのが好きなのは、要約に接続文字レポートが表示されることです - ロジスティック回帰からこの情報をどこで見つけることができますか？私はこの報告にあまり馴染みがない。
再：カテゴリーデータを加重パーセンテージに変換しても大丈夫ですか？私はマークに同意します、ロジスティック回帰は行くべき道です。
さらに、データには2倍の繰り返し構造があります。オーブン（A、B、C ...）は繰り返しであり、各繰り返しはバッチに関してより多くの繰り返しを持ちます。同じレターオーブンの指示がすべてデータの要約と同一であると誤解を招く可能性があります。それらが同一でなければ、それは制御される必要があります。バッチと同じこと。
データの表示方法によって、テーブル内の行に依存関係があると私は思います。
ロン
再：カテゴリーデータを加重パーセンテージに変換しても大丈夫ですか？あなたは2つの結果で1つの反応をします。ロジスティック回帰を使わないのはなぜですか？この方法は、説明したように、比率や確率に基づいていますが、データを手動で変換する必要はありません。応答列が公称モデリングタイプを使用していることを確認してから、[分析]> [モデルのフィット]を選択し、この列をYの役割に入力します。自動的に名目ロジスティック回帰に切り替わります。次に、テストしたい効果がある線形予測子を作成します。
分析プラットフォームは、予測プロファイラーを含む必要な機能をすべて提供します。
そのため、明確にするために、結果を要約して回答をプロポーションに変換する必要はありません。ロジスティック回帰はあなたのためにすべての面倒を見るでしょう。
