Myślę, że problemem, który Cię myli, jest to, że przywykłeś do błędu addytywnego. Większość modeli tego nie zrobi.
Pomyśl o regresji liniowej nie jako o średniej liniowej z błędem addytywnym, ale o warunku normalnej odpowiedzi:
(Y|X)∼N(Xβ,σ2I)
Wtedy podobieństwa do GLM, w szczególności do regresji Poissona i regresji logistycznej są bardziej wyraźne.
Ze względu na dobre właściwości normy, normalny przypadek można zapisać w kategoriach średniej i błędu addytywnego. Nie zawsze jest to tak miłe w przypadku innych modeli i warto trzymać się formy dystrybucyjnej modelu lub przynajmniej pisać o średniej i wariancji zamiast pisać model dla nazwa i próba opisania właściwości .E ( Y | X ) Y - E ( Y | X )(Y|X)E(Y|X)Y−E(Y|X)
[Możesz wziąć dowolną kombinację predyktorów i zapisać zmienną odpowiedzi pod względem jej oczekiwań i odchylenia od niej - „błąd”, jeśli chcesz - ale nie jest to szczególnie pouczające, gdy jest to inny obiekt niż każda inna kombinacja predyktorów. Zwykle bardziej pouczające i intuicyjne jest pisanie odpowiedzi jako rozkładu, który jest funkcją predyktorów, niż w formie odchylenia od oczekiwania.]
Tak więc, podczas gdy można napisać „z terminem o błędzie” to jest po prostu mniej wygodne i koncepcyjnie trudniej zrobić niż robić inne rzeczy.