CIAO,
Ho una semplice domanda sulla quale mi chiedevo se persone con più esperienza potessero farmi luce.
So che OLS non richiede necessariamente l'assunzione di normalità, ma la normalità sui residui porta a stime imparziali con varianza minima.
Ho provato ad adattare un modello su una risposta continua con tre variabili indipendenti utilizzando i minimi quadrati nella piattaforma Fit Model. Questo modello aveva un Radj di circa 0,45 e il grafico dei residui mostrava uno schema chiaro.
Successivamente, ho controllato la distribuzione della risposta continua e ho visto che era tutt'altro che normale.
Utilizzando la regressione generalizzata (lazo) e la distribuzione della risposta normale, il modello portava comunque a un Rquadrato generalizzato di circa 0,45. Tuttavia, quando sono passato a una distribuzione di risposta esponenziale, l'Rsquare è aumentato a 0,84.
Se la normalità della risposta non è necessaria sui minimi quadrati, cosa potrebbe spiegare una tale differenza?
Grazie!
A proposito, ho trovato questo materiale ( https://community.jmp.com/kvoqx44227/attachments/kvoqx44227/discovery-2019-content/28/1/glmTalkTucson.pdf) dove si dice che supporre che gli errori (e le risposte) siano normali rende la vita molto più facile. Tuttavia, in questo collegamento ( https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-regression/simple-linear-regression-assumptions.html) , discute solo la normalità degli errori.
Quindi non sono sicuro che la normalità della risposta sia assunta in JMP?
Se sì, perché la normalità della risposta "renderebbe la vita molto più facile"?
