这些等效的方法是为响应变量建模吗？你好，
我的例子涉及重复测量实验，其中每10分钟从每个受试者收集样本数据点，总共10次测量（t0，t1，...，t9）。
作为一个简单的例子，感兴趣的响应变量是：连续眨眼之间的时间间隔。
我的问题... 以下两个响应变量的定义是等效的吗？
1）每10分钟时间窗口中记录的眨眼次数
2）每个10分钟时间窗口中连续闪烁之间的平均时间
此外，它们会被归类为泊松，二项式，还是正常分布？
谢谢，
J.P
Re：这些等效方法是为响应变量建模吗？如果最终试图在响应变量集中构建具有大量“零”的回归模型，则有一系列回归技术通常被称为“零膨胀”。零膨胀建模功能是适合模型中JMP Pro的一部分 - >广义回归个性，分布：ZI二项式（和其他）。以下是JMP在线文档相关部分的链接：
http://www.jmp.com/support/help/13/Distribution.shtml
Re：这些等效方法是为响应变量建模吗？谢谢。我将研究“矮胖”数据的文献。
Re：这些等效方法是为响应变量建模吗？我同意这两种方法不一样。 这是一个可能有点极端的例子，但很有用：假设您通过流程行为图表跟踪您公司所在地每月的可记录伤害。 有几个月没有受伤，有几个月有1，或2，o3等。 如果每月可记录伤害的平均数量很少（<6），那么数据就是“矮胖”（参见Donald Wheeler博士关于Chunky数据的文章），并且控制图方法不会产生有用的结果/结论。 但是，如果您按“可记录伤害之间的天数”进行跟踪，则控制图表运行良好。
什么是数据分布？有什么关系？I-MR图表不要求数据具有特定分布！
Re：这些等效方法是为响应变量建模吗？谢谢您的回复。
如果测试间隔为100秒，则人1可能有超过10次闪烁，因为有15秒（9 * 5 + 40 = 85s而10 * 10 = 100s）下落不明。这假设人1的潜在的第11次闪烁没有从10日开始大于15秒的时间，其中它将对下一个时间间隔有贡献。
话虽如此，你的观点很明确，很有道理。
Re：这些等效方法是为响应变量建模吗？我认为你不应该对这两个答案一视同仁。只是比较两种情况：
人1具有非常规律的闪烁频率。
人2有更高的眨眼频率，但无论出于何种原因，一次她在两次眨眼之间有很长时间。
数据
手段和标准。开发者
两者都可能以相同数量的闪烁结束，但它们在闪烁之间具有不同的平均时间。
眨眼次数可能是泊松分布的。
眨眼之间的平均时间可以通过正态分布近似，但可能更像是威布尔分布或伽马分布，因为时间不能为负。
