使用二项式数据进行响应筛选我经常使用反应筛选来快速查看实验因素（例如温度）对蛋白质浓度的大量比较。 但是，我现在有二项式（存在/不存在）数据（0 或 1），并且我看到您可以将分布更改为底部的柯西或泊松分布，但我没有看到二项式。 我看到“相同的 Y 比例”，但我不确定这是否可行。 显然，我可以在“拟合模型”下进行单独的广义线性模型，但我觉得可能有更快的选择，因为响应筛选不合适。 在本例中，只有 22 种蛋白质，因此手动执行此操作并不是世界末日，但当我有数百种蛋白质时，使用类似于反应筛选的方法会很好。 带有柱切换器来快速浏览蛋白质的 GLM 可能是一种稍微慢一些的选择。 还有其他想法吗？
回复：使用二项式数据进行响应筛选谢谢你们的回复。 我确实在寻找最有趣的候选蛋白质，而且似乎反应筛选（即使考虑到数据是二项式，在统计上可能是可疑的）、逐步回归和广义回归基本上都告诉我，同一系列的蛋白质是那些受实验治疗的影响最大。 我认为广义回归实际上可能是最稳健的，因为它会惩罚共线性。
那么我的问题本质上更具统计性：如果预测变量（蛋白质）是二项式（0或1）并且响应（Y）是多项式（在某些情况下，因为我有各种相互作用组），那么使用这种方法是否有效？ 更一般地说，对于广义回归，预测变量（蛋白质）是否呈非正态分布（只有 0 和 1）有关系吗？ 如果没关系，那么我认为广义回归可能是一个很好的解决方案。 我已附上数据，以便人们可以看到其格式。
回复：使用二项式数据进行响应筛选您也可以考虑使用分区。 使用交叉验证，以便您可以单击“Go”。 您在这里并不是在选择模型，尽管看起来可能是这样。 现在检查列贡献以了解有用的预测变量。
回复：使用二项式数据进行响应筛选我相信您正在运行 JMP Pro，听起来您的主要目标是变量选择？ 如果是这种情况，您可能还想查看“拟合模型”->“广义回归”个性中的一些惩罚回归方法。 对于变量选择可能具有特殊价值的两个是套索或弹性网络拟合程序系列。 还有各种选项用于指定基础响应分布。 以下是一些额外指导的在线文档网站：
https://www.jmp.com/support/help/en/15.1/#page/jmp/estimation-method-options.shtml#ww355563
