为了检验回归系数的显著性，请随意对计数数据进行对数变换

摘要 使用统计模型处理非高斯数据（如广义线性模型（GLM）和广义线性混合模型（GLMM））的增加，正在逐渐取代传统的数据变换和最小二乘线性模型（LM）的应用。然而，许多最小二乘统计检验依赖于残差和的方差，根据中心极限定理，当样本量较大时，这些残差和的方差会收敛到高斯分布。因此，最小二乘LM在评估回归系数的统计显著性时可能表现良好。通过对计数数据的模拟，我比较了GLM方法与传统的对转化数据应用LM的方法，以检验回归系数是否与零不同。模拟假设样本总体的变异性为（i）负二项分布或（ii）对数正态泊松分布（即在总体之间存在对数正态变异性，然后通过泊松分布进行抽样）。我使用模拟数据进行了测试，以验证回归系数是否与零不同；我没有研究系数估计量的统计属性，如偏倚和精度。对于假设与GLM密切匹配的负二项模拟，GLM仍然容易出现I型错误（假阳性），特别是当存在多个预测（自变量）时。然而，在纠正I型错误后，GLM提供的统计功效略优于LM。对于对数正态-泊松模拟，GLMM和LM均表现良好，但在某些模拟条件下，GLM的I型错误率较高，这对于统计检验来说是致命的罪过。这些结果表明，尽管GLM在正确指定时在功效上略有优势，但如果指定不当可能导致对回归系数显著性的错误结论。相比之下，对数据进行变换和应用最小二乘线性分析在广泛条件下提供了健壮的显著性统计检验。因此，传统的数据变换和LM应用方法仍然是有用的。」},{