廣義回歸與標準最小二乘我有一個32行數據集，其中包含6個因子和1個來自剛剛執行的DOE的響應。 響應數據不是正態分佈的，只能包含0到1之間的值。 我看到JMP Pro中的通用回歸平台允許您指定各種分佈，包括響應在0到1之間的beta分佈。 但是，我還發現了一個可用於轉換響應數據為正態分佈的函數，對於未轉換的響應，該函數還僅允許使用0到1之間的值。
我的問題是：使用具有指定的beta分佈的廣義回歸與將轉換應用於我的數據集，然後對轉換後的數據使用標準最小二乘（逐步）之間有什麼區別？
分析工具美國能源部其他回复：廣義回歸與標準最小二乘為什麼響應數據不是正態分佈的呢？ 如果您的響應數據呈正態分佈，我懷疑有些問題。 請記住，一般來說，在DOE中，我們正在研究k個因子的廣闊空間，希望能引發高於噪聲的響應信號。 對統計數據的極大誤解之一是，應正常分配響應數據以使建模（OLS或其他方式）發揮作用。 對於OLS，假定的是與預測y的誤差正態分佈。 這與原始響應數據本身非常不同。 既然已經講完了所有這些，為什麼不嘗試使用所有建模思想，並在眼前的實際問題中，確定哪種模型最“有用”。 我懷疑那就是你的意思
回复：廣義回歸與標準最小二乘你好
我想知道由於硬停止（例如0或100％）而導致數據不能正常分佈的情況。在那種情況下，殘差也不會正態分佈，它們會因邊界而偏斜。在這些情況下，您的答案仍然適用嗎？
回复：廣義回歸與標準最小二乘@HadleyMyers關鍵是不要僅僅因為原始響應數據不是正態分佈就假定先驗建模，否則將無法滿足OLS建模假設。 至少要嘗試一個OLS模型...然後如果殘差不是正態分佈的，就該考慮一些替代建模方法了...轉換變量，替代建模技術等。
人們，特別是統計方法的新手，經常掛斷了這個'數據必須正態分佈到（填充空白統計方法）的情況。” 我無法告訴您這些年來人們告訴我多少次，“因為我的數據不是正態分佈的，所以我無法使用控製圖。”
回复：廣義回歸與標準最小二乘您也可以嘗試另一種方法：對響應使用logit轉換。 照常完成“擬合模型”對話框。 然後選擇Y列，單擊“變換”旁邊的紅色三角形，然後選擇“ Logit”。
注意：不要嘗試此示例，響應權重沒有在0-1的適當範圍內。
