Gama lognormal tarafından paylaşılan bir özelliğe sahiptir; yani, ölçek parametresi değişirken (genellikle her iki modelde de yapılırken olduğu gibi) shape parametresi sabit tutulduğunda, varyansın ortalama kareye orantılıdır (sabit varyasyon katsayısı).
Buna yaklaştığı bir şey, genellikle finansal verilerle veya gerçekten de birçok başka tür verilerle gerçekleşir.
Sonuç olarak, sürekli, pozitif, sağa doğru eğrili ve varyansın log ölçeğinde sabit olduğu yerlerde veriler için uygundur, ancak bunlarla birlikte iyi bilinen diğer birçok (ve genellikle oldukça uygun) seçenekler vardır. özellikleri.
Ayrıca, gamma GLM ile bir log-linke uymak yaygındır (doğal link kullanmak nispeten daha nadirdir). Normal bir lineer modelin veri kütüklerine uymasından biraz farklı kılan şey , log ölçeğinde gama eğriliğinin değişken derecelerde kalması , normal (lognormal kütüğünün) simetrik olmasıdır. Bu, onu (gama) çeşitli durumlarda faydalı kılar.
Jong & Heller ve Frees ile birlikte birçok makalede tartışılan (gerçek veri örnekleriyle) gamma GLM'lerin pratik kullanımlarını gördüm (kafamın üstünden) ; Diğer alanlarda da uygulamalar gördüm. Oh, ve doğru hatırlıyorsam Venables ve Ripley MASS okulun devamsızlığı üzerine kullanıyor (quine veri; Düzen: aslında MASS'a Tamamlayıcı İstatistikler'de , pdf'in 14. sayfasında p11'e bakınız. DV küçük bir vardiya var). Uh, ve McCullagh ve Nelder kan pıhtılaşması örneği yaptı, belki de doğal bağlantı olabilir.
Sonra Faraway'in bir araba sigortası örneği ve yarı iletken üretim verileri örneği yaptığı bir kitap var .
İki seçenekten birini seçmenin bazı avantajları ve bazı dezavantajları vardır. Bu günlerde her ikisinin de sığması kolay olduğundan; genellikle en uygun olanı seçme meselesidir.
Tek seçenek olmaktan uzak; örneğin, aynı Gaussian GLM'leri de vardır; bunlar ya gamma ya da lognormal'den daha eğri / daha ağır kuyruklu (ve hatta daha fazla heteroskedastik).
Dezavantajları ise, tahmin aralıklarını yapmak zordur. Bazı teşhis ekranlarının yorumlanması daha zordur. Doğrusal tahmin edicinin ölçeğinde hesaplama beklentileri (genellikle log ölçeği), eşdeğer lognormal modelden daha zordur. Hipotez testleri ve aralıkları genellikle asimptotiktir. Bunlar genellikle nispeten küçük sorunlardır.
Log-link lognormal regresyona göre bazı avantajları vardır (logları almak ve sıradan bir lineer regresyon modeline uymak); birincisi, ortalama tahminin kolay olmasıdır.