Régression généralisée vs moindres carrés standardJ'ai un ensemble de données de 32 lignes de 6 facteurs et 1 réponse d'un DOE que je viens d'effectuer. Les données de réponse ne sont pas normalement distribuées et ne doivent contenir que des valeurs comprises entre 0 et 1. J'ai vu que la plateforme de régression généralisée dans JMP Pro vous permet de spécifier une variété de distributions, y compris la distribution bêta où la réponse est comprise entre 0 et 1. Cependant, j'ai également trouvé une fonction que je peux utiliser pour transformer mes données de réponse afin qu'elles soient normalement distribuées et qui autorise également uniquement des valeurs comprises entre 0 et 1 pour la réponse non transformée.
Ma question est la suivante : quelle serait la différence entre l'utilisation de la régression généralisée avec la distribution bêta spécifiée et l'application de la transformation à mon ensemble de données, puis l'utilisation des moindres carrés standard (et par étapes) avec les données transformées ?
Modélisation statistique avancéeRe : Régression généralisée vs moindres carrés standardVous pouvez également essayer une autre approche : utilisez la transformation logit sur la réponse. Remplissez la boîte de dialogue Ajuster le modèle comme d'habitude. Sélectionnez ensuite la colonne Y, cliquez sur le triangle rouge à côté de Transformer et sélectionnez Logit.
REMARQUE : N'essayez pas cet exemple, le poids de réponse n'a pas la plage appropriée de 0 à 1.
Re : Régression généralisée vs moindres carrés standard@HadleyMyers L’essentiel est de ne pas supposer, dans la modélisation a priori, que les hypothèses de la modélisation MCO ne seront pas satisfaites, simplement parce que les données de réponse brutes ne sont pas normalement distribuées. Essayez à tout le moins un modèle OLS... puis si les résidus ne sont PAS normalement distribués, il est temps d'envisager des approches de modélisation alternatives... variables de transformation, techniques de modélisation alternatives, etc.
Les gens, en particulier les nouveaux praticiens des méthodes statistiques, s'accrochent souvent au fait que « les données doivent être normalement distribuées à (remplir les méthodes statistiques vides). » Je ne peux pas vous dire combien de fois au fil des années des gens m'ont dit : « Je ne peux pas utiliser de cartes de contrôle parce que mes données ne sont pas normalement distribuées ».
Re : Régression généralisée vs moindres carrés standardSalut,
Je m'interroge sur les cas où les données ne sont pas normalement distribuées car il y a un arrêt brutal (à 0 ou 100% par exemple).Les résidus ne seraient pas non plus distribués normalement car ils seraient biaisés par la frontière.Votre réponse s’applique-t-elle toujours dans ces cas ?
Re : Régression généralisée vs moindres carrés standardPourquoi est-ce grave que vos données de réponse ne soient pas normalement distribuées ? Je soupçonnerais que quelque chose n'allait pas SI vos données de réponse sont normalement distribuées. N'oubliez pas qu'en général, dans le DOE, nous examinons un large espace de k facteurs dans l'espoir de susciter un signal de réponse au-dessus du bruit. C'est l'une des grandes idées fausses en matière de statistiques que les données de réponse doivent être normalement distribuées pour que la magie de la modélisation (OLS ou autre) opère. Pour les MCO, on suppose que les erreurs par rapport aux y prédits sont normalement distribuées. C'est très différent des données de réponse brutes elles-mêmes. Maintenant que tout cela a été dit, pourquoi n'essayez-vous pas TOUTES vos idées de modélisation et, dans le contexte du problème pratique, décidez quel modèle est le plus « utile ». C'est ce que vous recherchez, je suppose...
