广义回归与标准最小二乘我有一个32行数据集，其中包含6个因子和1个来自刚刚执行的DOE的响应。 响应数据不是正态分布的，只能包含0到1之间的值。 我看到JMP Pro中的通用回归平台允许您指定各种分布，包括响应在0到1之间的beta分布。 但是，我还发现了一个可用于转换响应数据为正态分布的函数，对于未转换的响应，该函数还仅允许使用0到1之间的值。
我的问题是：使用具有指定的beta分布的广义回归与将转换应用于我的数据集，然后对转换后的数据使用标准最小二乘（逐步）之间有什么区别？
分析工具美国能源部其他回复：广义回归与标准最小二乘为什么响应数据不是正态分布的呢？ 如果您的响应数据呈正态分布，我怀疑有些问题。 请记住，一般来说，在DOE中，我们正在研究k个因子的广阔空间，希望能引发高于噪声的响应信号。 对统计数据的极大误解之一是，应正常分配响应数据以使建模（OLS或其他方式）发挥作用。 对于OLS，假定的是与预测y的误差正态分布。 这与原始响应数据本身非常不同。 既然已经讲完了所有这些，为什么不尝试使用所有的建模思想，并在眼前的实际问题中，确定哪种模型最“有用”。 我怀疑那就是你的意思
回复：广义回归与标准最小二乘你好
我想知道由于硬停止（例如0或100％）而导致数据不能正常分布的情况。在那种情况下，残差也不会正态分布，它们会因边界而偏斜。在这些情况下，您的答案仍然适用吗？
回复：广义回归与标准最小二乘@HadleyMyers关键是不要仅仅因为原始响应数据不是正态分布就假定先验建模，否则将无法满足OLS建模假设。 至少要尝试一个OLS模型...然后如果残差不是正态分布的，就该考虑一些替代建模方法了...转换变量，替代建模技术等。
人们，特别是统计方法的新手，经常挂断了这个'数据必须正态分布到（填充空白统计方法）的情况。” 我无法告诉您这些年来人们告诉我多少次，“因为我的数据不是正态分布的，所以我无法使用控制图。”
回复：广义回归与标准最小二乘您也可以尝试另一种方法：对响应使用logit转换。 照常完成“拟合模型”对话框。 然后选择Y列，单击“变换”旁边的红色三角形，然后选择“ Logit”。
注意：不要尝试此示例，响应权重没有在0-1的适当范围内。
