Statistics 用高斯族分布预测GLM中的离散量
使用具有高斯族分布的广义线性模型来预测离散量（例如，通过将高斯GLM的输出舍入到最近的整数）是否可行（合法方法） 你可以这样做，但这可能不是最好的做法。这实际上取决于您试图建模的数据的性质。泊松回归很可能更适合您的需要 但是，没有任何东西可以阻止您实际将线性模型拟合到整数值数据，但是您在使用该模型对数据进行推断时可能会遇到问题。如果您只是试图提供一个模型来预测未来的观测结果，它可能会很好地工作，即使在理论上是无效的 很明显，考虑到模型的性质，您可能最终会预测出非常荒谬的结果——例如，您的响应变量可能只在有限的范围内（比如正整数）有意义，但您的模型可能允许预测任意大的值（正和负）。像残差检查（正态性和相关性）这样的模型检查步骤可能不会给出在建模连续正态分布响应时通常会看到的结果类型 总的来说，我想说的是，根据你的数据，你的方法可以生成一个有用的预测模型，但一般来说，你应该谨慎行事 阅读这个问题和它的一些答案-它讨论了类似的主题Statistics 用高斯族分布预测GLM中的离散量,statistics,machine-learning,gaussian,glm,discrete-space,Statistics,Machine Learning,Gaussian,Glm,Discrete Space,使用具有高斯族分布的广义线性模型来预测离散量（例如，通过将高斯GLM的输出舍入到最近的整数）是否可行（合法方法） 你可以这样做，但这可能不是最好的做法。这实际上取决于您试图建模的数据的性质。泊松回归很可能更适合您的需要 但是，没有任何东西可以阻止您实际将线性模型拟合到整数值数据，但是您在使用该模型对数据进行推断时可能会遇到问题。如果您只是试图提供一个模型来预测未来的观测结果，它可能会很好地工作，即使在理论上是无效的 很明显，考虑到模型的性质，您可能最终会预测出非常荒谬的结果——例如，您的响应变
为了达到更广泛的受众，你可以考虑在
发布这个问题。你可以做到这一点，但这可能不是最好的办法。这实际上取决于您试图建模的数据的性质。泊松回归很可能更适合您的需要
但是，没有任何东西可以阻止您实际将线性模型拟合到整数值数据，但是您在使用该模型对数据进行推断时可能会遇到问题。如果您只是试图提供一个模型来预测未来的观测结果，它可能会很好地工作，即使在理论上是无效的 很明显，考虑到模型的性质，您可能最终会预测出非常荒谬的结果——例如，您的响应变量可能只在有限的范围内（比如正整数）有意义，但您的模型可能允许预测任意大的值（正和负）。像残差检查（正态性和相关性）这样的模型检查步骤可能不会给出在建模连续正态分布响应时通常会看到的结果类型 总的来说，我想说的是，根据你的数据，你的方法可以生成一个有用的预测模型，但一般来说，你应该谨慎行事 阅读这个问题和它的一些答案-它讨论了类似的主题为了达到更广泛的受众，你可以考虑在中发布这个问题。你的意思是适合一个线性模型，其中你的响应变量取整数值？你的意思是适合一个线性模型，你的响应变量取整数值吗？