開發者教學：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）服從常態分佈，但當常態性不成立時，預測結果可能超出有意義的範圍（也許問題不大），推論結果也不可靠（這可能是個大問題）。
- 廣義線性模型 (GLM) 假設資料服從除常態分佈之外的其他分佈，例如：
計數資料（例如，產品缺陷數量）
數據偏差（例如，薪資）
比例
標籤（例如，好/中性/壞或黃色/藍色/綠色）
- 廣義線性模型（GLM）包含三個要素
- 給定預測變數（隨機部分）的反應分佈
- 線性預測器（系統部分）
- 連結函數（隨機和系統片段的組成部分）
-
使用 R 平方來比較同一分佈內的模型。
-
使用AICc和BIC（資訊準則）來比較不同分佈。
- 選擇連續響應分佈的一般準則
是否存在負值？請使用常態分佈。
它是否被限制在 (0,1) 範圍內？使用 beta 值
變異數是否隨平均值增加而增加？請使用伽瑪分佈、威布爾分佈和對數常態分佈。
這是事件發生時間/刪失資料嗎？可能需要使用 Weibull 分佈或對數常態分佈。
一個相當不錯的萬用方案？使用常規
我們懷疑是否有異常值嗎？使用柯西分佈或t(5)分佈。
- 當反應變數不是數值時，選擇分佈類型
- 這是兩級問題嗎？請使用二項式結構；（例如，是/否或A/B）
- 如果是三級或以上且順序重要，請使用序數邏輯迴歸。 （例如，低/中/高或小/中/大）
- 如果是三層以上，順序無關緊要，請使用多項式表示法（例如，披薩/漢堡/墨西哥捲餅或紅/藍/綠/橙）。
了解如何在 JMP Pro 中使用廣義迴歸選擇、指定、建構、比較和評估模型。示範過程中穿插了問答環節。
資源：
進階統計建模
