一般化された回帰と標準の最小二乗実行したばかりのDOEからの6つの因子と1つの応答の32行のデータセットがあります。 応答データは正規分布ではなく、0から1までの値のみを含める必要があります。 JMP Proの一般化された回帰プラットフォームでは、応答が0〜1のベータ分布を含むさまざまな分布を指定できることを確認しました。 ただし、応答データを正規分布に変換するために使用できる関数も見つかりました。また、変換されていない応答には0〜1の値しか許可されません。
私の質問は、ベータ分布を指定して一般化回帰を使用することと、データセットに変換を適用してから、変換されたデータで標準の最小二乗（および段階的）を使用することの違いは何ですか？
分析DOEその他Re：一般化された回帰と標準の最小二乗応答データが正規分布していないことが重要なのはなぜですか？ 応答データが正規分布している場合は、何か問題があったと思います。 一般的にDOEで言えば、ノイズより上の応答信号を引き出すことを期待して、k個の因子の広い空間を調べていることを忘れないでください。 モデリングの魔法（OLSまたはその他）が機能するためには、応答データを正規分布させる必要があるというのは、統計に関する大きな誤解の1つです。 OLSの場合、想定されるのは、予測されたyに対する誤差が正規分布していることです。 これは、生の応答データ自体とは大きく異なります。 以上のことをすべて述べたので、モデリングのすべてのアイデアを試してみませんか。目前の実際の問題のコンテキストで、どのモデルが最も「役立つ」かを判断してください。 それは私が疑った後のあなたのことです...
Re：一般化された回帰と標準の最小二乗こんにちは、
ハードストップ（たとえば、0または100％）があるために、データが正規分布されない場合について疑問に思っています。その場合、残差も正規分布せず、境界によって歪められます。あなたの答えはこれらの場合でも当てはまりますか？
Re：一般化された回帰と標準の最小二乗@HadleyMyers重要なのは、生の応答データが正規分布していないという理由だけで、OLSモデリングの仮定が満たされないというアプリオリモデリングを仮定しないことです。 少なくともOLSモデルを試してください...次に、残差が正規分布していない場合は、いくつかの代替モデリングアプローチを検討してください...変数の変換、代替モデリング手法など。
人々、特に統計的手法の新しい実践者は、しばしばこれに夢中になります 'データは通常に配布されなければなりません（空白の統計的手法を記入してください）。 「データが正規分布していないため、管理図を使用できない」と言われたことは、何年にもわたってわかりません。
Re：一般化された回帰と標準の最小二乗別のアプローチを試すこともできます。応答でロジット変換を使用します。 通常どおり、[モデルのフィット]ダイアログを完了します。 次に、Y列を選択し、[変換]の横にある赤い三角形をクリックして、[ロジット]を選択します。
注：この例は試さないでください。応答の重みの適切な範囲は0〜1ではありません。
