일반화 회귀 vs 표준 최소 제곱방금 수행 한 DOE의 6 개 요인과 1 개의 응답으로 구성된 32 행 데이터 세트가 있습니다. 응답 데이터는 정규 분포를 따르지 않으며 0과 1 사이의 값만 포함해야합니다. JMP Pro의 일반화 회귀 플랫폼을 사용하면 응답이 0과 1 사이 인 베타 분포를 포함하여 다양한 분포를 지정할 수 있습니다. 그러나 응답 데이터를 정규 분포로 변환하는 데 사용할 수있는 함수도 발견했으며 변환되지 않은 응답에 대해 0과 1 사이의 값만 허용합니다.
내 질문은 : 지정된 베타 분포로 일반화 회귀를 사용하는 것과 내 데이터 세트에 변환을 적용한 다음 변환 된 데이터에 표준 최소 제곱 (및 단계적)을 사용하는 것의 차이점은 무엇입니까?
해석학암사슴다른Re : 일반화 회귀 vs 표준 최소 제곱응답 데이터가 정규 분포를 따르지 않는 것이 왜 큰 문제입니까? 응답 데이터가 정상적으로 배포되면 뭔가 잘못되었다고 생각합니다. 일반적으로 DOE에서 우리는 잡음 위의 응답 신호를 유도하기를 희망하는 넓은 공간의 k 인자를 조사하고 있음을 기억하십시오. 모델링의 마법 (OLS 또는 기타)이 작동하려면 응답 데이터가 정상적으로 분포되어야한다는 것은 통계에 대한 큰 오해 중 하나입니다. OLS의 경우 예측 된 y에 대한 오류 wrt가 정규 분포를 따른다고 가정합니다. 이는 원시 응답 데이터 자체와는 매우 다릅니다. 이제이 모든 것을 말 했으므로 모델링에 대한 모든 아이디어를 시도하고 실제 문제의 맥락에서 가장 '유용한'모델을 결정하십시오. 그게 내가 의심 한 후에 당신이하는 일입니다 ...
Re : 일반화 회귀 vs 표준 최소 제곱안녕하세요,
하드 스톱 (예 : 0 또는 100 %)이 있기 때문에 데이터가 정상적으로 배포되지 않는 경우에 대해 궁금합니다.이 경우 잔차도 정규 분포를 따르지 않고 경계에 의해 왜곡됩니다.이러한 경우에도 귀하의 답변이 적용됩니까?
Re : 일반화 회귀 vs 표준 최소 제곱안녕하세요. 핵심은 단순히 원시 응답 데이터가 정규 분포를 따르지 않기 때문에 OLS 모델링 가정이 충족되지 않는다는 선 입적 모델링을 가정하지 않는 것입니다. 최소한 OLS 모델을 시도해보십시오. 잔차가 정규 분포를 따르지 않으면 몇 가지 대체 모델링 접근 방식을 고려할 시간입니다 ... 변수 변환, 대체 모델링 기술 등.
사람들, 특히 통계적 방법의 새로운 실무자들은 종종 '데이터가 정상적으로 배포되어야합니다 (빈 통계 방법을 채워야합니다).' 몇 년 동안 사람들이 "내 데이터가 정규 분포를 따르지 않기 때문에 관리도를 사용할 수 없습니다."라고 몇 번이나 말했는지 알 수 없습니다.
Re : 일반화 회귀 vs 표준 최소 제곱다른 접근 방식을 시도 할 수도 있습니다. 응답에 로짓 변환을 사용합니다. 평소대로 모델 적합 대화 상자를 완료합니다. 그런 다음 Y 열을 선택하고 변환 옆에있는 빨간색 삼각형을 클릭 한 다음 로짓을 선택합니다.
참고 :이 예제를 시도하지 마십시오. 응답 가중치의 적절한 범위는 0-1입니다.
