nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

438519_zh-TW

liliconcom

回覆：開發人員教學：為您的回應選擇合適的 JMP Pro 廣義回歸分佈

在演示過程中，解決了以下問題：

當你有很多極高的測量值時，你可以使用零膨脹來解決逆問題嗎？

我通常會關注反應時間，它往往遵循前高斯分佈。此分佈是指數和常態分佈的合併。使用模型的建議：伽瑪、指數？

我們可以在 JMP 中運行 GLMM（模型中具有隨機效應）嗎？

是的，它位於早期採用者目前使用的 JMP Pro 17 中。

對於 gamma，JMP 是否顯示 lamda 和變異數？

有沒有辦法使用 JMP Pro 中的模擬功能對序數 Logistic 模型進行功效分析？

模擬列是否有隨機成分？

開發人員教學：為您的回應選擇合適的 JMP Pro 廣義回歸分佈

背景：

簡單線性迴歸假設誤差（和反應）是正常的，但當情況不正常時，預測可能會超出有意義的範圍（也許沒什麼大不了的），並且推斷不可靠（可能是更重要的）
廣義線性模型 (GLM) 假設常態分佈以外的其他分佈，例如：
- 計數資料（例如產品的缺陷數量）
- 傾斜資料（例如工資）
- 比例
- 標籤（例如，好/中/壞或黃/藍/綠）
廣義線性模型 (GLM) 有三個要素
- 給定預測變數的反應分佈（隨機部分）
- 線性預測器（系統部分）
- 連結函數（隨機棋子和系統棋子的棋子）
使用 R 方比較模型之內一個分佈。
使用AICc和BIC（資訊標準。）進行比較之間分佈
- AICc 和 BIC 估計 Kullback-Leibler 散度，即擬合模型與真實值的距離
- 用它們來比較模型之內相同的分佈和穿過不同的分佈
- 經驗法則：AIC 傾向於過度擬合，BIC 傾向於欠擬合
選擇連續響應分佈的一般準則
- 我們有負價值觀嗎？使用正常
- 它綁定到(0,1)嗎？使用測試版
- 變異數會隨著平均值的增加而增加嗎？使用伽瑪、威布爾、對數常態
- 是事件發生時間/審查時間嗎？可能使用威布爾或對數常態
- 相當好的包羅萬象嗎？使用正常
- 我們是否懷疑自己有異常值？使用柯西或 t(5)
當反應不是數字時選擇分佈
- 是兩級的嗎？使用二項式；（例如，是/否或 A/B）
- 是 3 個以上級別且順序很重要嗎？使用序數邏輯。（例如，低/中/高或小/中/大
- 是不是有3個以上的關卡且順序並不重要？使用多項式（例如披薩/漢堡包/墨西哥捲餅或紅/藍/綠/橙）

了解如何使用 JMP Pro 中的廣義迴歸來選擇、指定和建構、比較和評估模型。問答貫穿整個簡報。