Regressione generalizzata vs minimi quadrati standardHo un set di dati di 32 righe di 6 fattori e 1 risposta da un DOE che ho appena eseguito. I dati di risposta non sono distribuiti normalmente e dovrebbero contenere solo valori compresi tra 0 e 1. Ho visto che la piattaforma di regressione generalizzata in JMP Pro consente di specificare una varietà di distribuzioni inclusa la distribuzione beta in cui la risposta è compresa tra 0 e 1. Tuttavia, ho anche trovato una funzione che posso utilizzare per trasformare i dati della mia risposta in modo che siano distribuiti normalmente e consente anche solo valori compresi tra 0 e 1 per la risposta non trasformata.
La mia domanda è: quale sarebbe la differenza tra l'utilizzo della regressione generalizzata con la distribuzione beta specificata e l'applicazione della trasformazione al mio set di dati e quindi l'utilizzo dei minimi quadrati standard (e graduali) con i dati trasformati?
Modellazione statistica avanzataRi: Regressione generalizzata vs minimi quadrati standardPotresti anche provare un altro approccio: utilizzare la trasformazione logit sulla risposta. Completa la finestra di dialogo Adatta modello come al solito. Quindi seleziona la colonna Y, fai clic sul triangolo rosso accanto a Trasforma e seleziona Logit.
NOTA: non provare questo esempio, il peso della risposta non ha l'intervallo appropriato di 0-1.
Ri: Regressione generalizzata vs minimi quadrati standard@HadleyMyers La chiave è non assumere che la modellazione a priori sia sufficiente perché i dati grezzi della risposta non sono normalmente distribuiti, le ipotesi della modellazione OLS non saranno soddisfatte. Per lo meno prova un modello OLS... quindi se i residui NON sono normalmente distribuiti, è tempo di considerare alcuni approcci di modellazione alternativi... trasformare le variabili, tecniche di modellazione alternative, ecc.
Le persone, soprattutto i nuovi professionisti dei metodi statistici, spesso rimangono bloccati su questo "i dati devono essere normalmente distribuiti (riempire i metodi statistici vuoti)". Non so dirti quante volte nel corso degli anni le persone mi hanno detto: "Non posso usare le carte di controllo perché i miei dati non sono distribuiti normalmente".
Ri: Regressione generalizzata vs minimi quadrati standardCIAO,
Mi chiedo quali siano i casi in cui i dati non sono normalmente distribuiti perché c'è un arresto rigido (a 0 o 100%, ad esempio).Anche i residui non sarebbero distribuiti normalmente perché sarebbero distorti dal confine.La tua risposta è ancora valida in questi casi?
Ri: Regressione generalizzata vs minimi quadrati standardPerché è un grosso problema che i dati di risposta non siano normalmente distribuiti? Sospetterei che qualcosa non andasse SE i dati di risposta fossero normalmente distribuiti. Ricorda, in generale nel DOE stiamo esaminando un ampio spazio di fattori k sperando di suscitare un segnale di risposta al di sopra del rumore. Uno dei grandi malintesi della statistica è che i dati di risposta debbano essere distribuiti normalmente affinché la magia della modellazione (OLS o altro) funzioni. Per OLS si presuppone che gli errori rispetto alle y previste siano normalmente distribuiti. Questo è molto diverso dai dati grezzi della risposta stessa. Ora, detto tutto questo, perché non provi TUTTE le tue idee per la modellazione e, nel contesto del problema pratico in questione, decidi quale modello è più "utile". È quello che stai cercando, sospetto...
