移除 0 值以提高模型適配度，以用於學術目的你好呀，
我有一個數據文件，其中包含34種不同樣本配方中揮發性物質的濃度測量數據。現在，我試圖建立配方（預測因子）與檢測到的揮發性物質（反應）之間的模型。然而，由於並非所有配方都會產生相同的揮發性物質，我的數據中存在相當多的0值（未檢測到）。這導致我的許多揮發性物質資料符合第SASH分佈或Johnson分佈。刪除某些揮發性物質值為0的樣本可以改善資料分佈，從而有利於建模，但這當然也是為了自身利益而對資料進行的操作。另一個缺點是我的樣本量會減少。例如，如果某種成分（負責產生某種特定揮發性物質）只存在於一半的樣本中（這意味著在另一半樣本中不會生成該揮發性物質，因此值為0），那麼樣本量就會減半。
從某種程度上來說，我認為移除值為0的資料是合理的，因為我的模型首先只需要那些能夠形成目標揮發性物質的成分。但是，我不太確定如果我把這篇論文發表在同行評審期刊上，這種方法是否有效。有沒有人有這方面的經驗，知道移除數值0的樣本是否會被接受？
非常感謝！
基礎資料分析與建模資料融合與清理預測建模和機器學習可靠度分析回覆：移除 0 值以提高模型適配度（學術用途）在 JMP Pro 中，您可以查看廣義迴歸範例，以將模型擬合到非常態分佈，例如泊松分佈、二項分佈等。
回覆：移除 0 值以提高模型適配度（學術用途）感謝您的回覆。我知道這些分佈只能用於整數數據，但我的數據是非整數的。請問還有其他解決方案嗎？
回覆：移除 0 值以提高模型適配度（學術用途）說得對，抱歉我之前沒注意到！雖然我同意你的方法從實際角度來看是合理的，但既然你的問題是關於是否適合發表，我還是建議諮詢一下統計學知識更豐富的人。我很想聽聽其他人的看法。
我還想到一個主意：你試過神經網路或劃分模型（決策樹）嗎？神經網路模型提供了最大的靈活性，而決策樹則在靈活性和可解釋性之間取得了很好的平衡。
