移除 0 值以提高模型拟合度，以用于学术目的你好呀，
我有一个数据文件，其中包含 34 种不同样品配方中挥发性物质的浓度测量数据。现在，我试图建立配方（预测因子）与检测到的挥发性物质（响应）之间的模型。然而，由于并非所有配方都会产生相同的挥发性物质，我的数据中存在相当多的 0 值（未检测到）。这导致我的许多挥发性物质数据符合 SASH 分布或 Johnson 分布。删除某些挥发性物质值为 0 的样本可以改善数据分布，从而有利于建模，但这当然也是一种为了自身利益而对数据进行的操作。另一个缺点是我的样本量会减少。例如，如果某种成分（负责产生某种特定挥发性物质）只存在于一半的样本中（这意味着在另一半样本中不会生成该挥发性物质，因此值为 0），那么样本量就会减半。
从某种程度上来说，我认为移除值为0的数据是合理的，因为我只需要模型中负责形成目标挥发性物质的成分。但是，我不太确定如果我把这篇文章发表在同行评审期刊上，这种方法是否有效。有没有人有这方面的经验，知道移除值为0的样本是否会被接受？
非常感谢！
基础数据分析与建模数据融合与清理预测建模和机器学习可靠性分析回复：移除 0 值以提高模型拟合度（学术用途）在 JMP Pro 中，您可以查看广义回归示例，以将模型拟合到非正态分布，如泊松分布、二项分布等。
回复：移除 0 值以提高模型拟合度（学术用途）感谢您的回复。我知道这些分布只能用于整数数据，但我的数据是非整数的。请问还有其他解决方案吗？
回复：移除 0 值以提高模型拟合度（学术用途）说得对，抱歉我之前没注意到！虽然我同意你的方法从实际角度来看是合理的，但既然你的问题是关于是否适合发表，我还是建议咨询一下统计学知识更丰富的人。我很想听听其他人的看法。
我还想到一个主意：你试过神经网络或划分模型（决策树）吗？神经网络模型提供了最大的灵活性，而决策树则在灵活性和可解释性之间取得了很好的平衡。
