使用二項式數據進行響應篩選我經常使用反應篩選來快速查看實驗因素（例如溫度）對蛋白質濃度的大量比較。 但是，我現在有二項式（存在/不存在）數據（0 或 1），並且我看到您可以將分佈更改為底部的柯西或泊松分佈，但我沒有看到二項式。 我看到“相同的 Y 比例”，但我不確定這是否可行。 顯然，我可以在“擬合模型”下進行單獨的廣義線性模型，但我覺得可能有更快的選擇，因為響應篩選不合適。 在這種情況下，只有 22 種蛋白質，因此手動執行此操作並不是世界末日，但當我有數百種蛋白質時，使用類似於反應篩選的方法會很好。 帶有柱切換器來快速瀏覽蛋白質的 GLM 可能是一種稍微慢一些的選擇。 還有其他想法嗎？
回复：使用二項式數據進行響應篩選謝謝你們的回复。 我確實在尋找最有趣的候選蛋白質，而且似乎反應篩選（即使考慮到數據是二項式的，在統計上可能是可疑的）、逐步回歸和廣義回歸基本上都告訴我，同一系列的蛋白質是那些受實驗治療的影響最大。 我認為廣義回歸實際上可能是最穩健的，因為它會懲罰共線性。
那麼我的問題本質上更具統計性：如果預測變量（蛋白質）是二項式（0或1）並且響應（Y）是多項式（在某些情況下，因為我有各種相互作用組），那麼使用這種方法是否有效？ 更一般地說，對於廣義回歸，預測變量（蛋白質）是否呈非正態分佈（只有 0 和 1）有關係嗎？ 如果沒關係，那麼我認為廣義回歸可能是一個很好的解決方案。 我已附上數據，以便人們可以看到其格式。
回复：使用二項式數據進行響應篩選您也可以考慮使用分區。 使用交叉驗證，以便您可以單擊“Go”。 您在這裡並不是在選擇模型，儘管看起來可能是這樣。 現在檢查列貢獻以了解有用的預測變量。
回复：使用二項式數據進行響應篩選我相信您正在運行 JMP Pro，聽起來您的主要目標是變量選擇？ 如果是這種情況，您可能還想查看“擬合模型”->“廣義回歸”個性中的一些懲罰回歸方法。 對於變量選擇可能具有特殊價值的兩個是套索或彈性網絡擬合程序系列。 還有各種選項用於指定基礎響應分佈。 以下是一些額外指導的在線文檔網站：
https://www.jmp.com/support/help/en/15.1/#page/jmp/estimation-method-options.shtml#ww355563
