Hola,
Tengo una pregunta sencilla y me gustaría saber si alguien con más experiencia podría aclararme un poco.
Sé que MCO no requiere necesariamente un supuesto de normalidad, pero la normalidad de los residuos conduce a estimaciones insesgadas con una varianza mínima.
Intenté ajustar un modelo a una respuesta continua con tres variables independientes usando mínimos cuadrados en la plataforma Fit Model. Este modelo tenía un Radj de aproximadamente 0,45 y el gráfico de residuos mostró un patrón claro.
A continuación, verifiqué la distribución de la respuesta continua y vi que estaba lejos de ser normal.
Utilizando la regresión generalizada (Lasso) y la distribución de respuesta normal, el modelo aún condujo a un Rcuadrado generalizado de aproximadamente 0,45. Sin embargo, cuando cambié a una distribución de respuesta exponencial, el Rsquare aumentó a 0,84.
Si no se necesita normalidad en la respuesta en mínimos cuadrados, ¿qué podría explicar tal diferencia?
¡Gracias!
Por cierto, encontré este material ( https://community.jmp.com/kvoqx44227/attachments/kvoqx44227/discovery-2019-content/28/1/glmTalkTucson.pdf) donde dice que asumir que los errores (y la respuesta) son normales hace la vida mucho más fácil. Sin embargo, en este enlace ( https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-regression/simple-linear-regression-assumptions.html) , solo analiza la normalidad de los errores.
Entonces, ¿no estoy seguro de si se asume la normalidad de la respuesta en JMP?
En caso afirmativo, ¿por qué la normalidad de la respuesta "haría la vida mucho más fácil"?
