你好，
我有一个简单的问题，我想知道是否有更多经验的人可以对此有所了解。
我知道OLS不一定需要正态性假设，但是残差的正态性会导致偏差最小的无偏估计。
我尝试使用Fit Model平台中的最小二乘拟合具有三个自变量的连续响应模型。 该模型的Radj约为0.45，残差图显示出清晰的图案。
接下来，我检查了连续响应的分布，发现它与正常值相差很远。
使用广义回归（Lasso）和正态响应分布，该模型仍然得出约0.45的广义Rsquare。 但是，当我切换到指数响应分布时，Rsquare增加到0.84。
如果最小二乘不需要正常响应，那么怎么解释这种差异呢？
谢谢！
顺便说一句，我发现了这种材料（ https://community.jmp.com/kvoqx44227/attachments/kvoqx44227/discovery-2019-content/28/1/glmTalkTucson.pdf）它说假设错误（和响应）是正常的，那么生活就容易多了。 但是，在此链接中（ https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-regression/simple-linear-regression-assumptions.html） ，仅讨论错误的正常性。
因此，我不确定JMP是否假定响应的正常性？
如果是的话，为什么正常的回应会“使生活更加轻松”？
就响应的分布而言，普通最小二乘回归通常被视为特殊情况。 作为@Thierry_S解释了一下，我们通常假设误差是正态分布的，然后处理残差（估计误差）。 您也可以将其描述为条件分布：Y〜正态（均值=预测Y = f（X），方差）。 因此，均值Y如线性回归模型所述随X变化，但Y的方差是恒定的，或与响应无关。 换句话说，对于任何给定的平均响应（预测的），响应均显示误差的正态分布。
我不会说“ OLS不一定需要正常性。 ”
如果条件分布不是正态的，则正态性假设和OLS会导致模型较差。 因此，在您的情况下，指数分布似乎是方差的模型，而不是正态分布。
