Gamma ma właściwość wspólną dla lognormal; mianowicie, że gdy parametr kształtu jest utrzymywany na stałym poziomie, podczas gdy parametr skali jest zmieniany (jak to zwykle się dzieje, gdy stosuje się oba modele), wariancja jest proporcjonalna do średniej kwadratowej (stały współczynnik zmienności).
Coś zbliżonego do tego zdarza się dość często w przypadku danych finansowych, a nawet w przypadku wielu innych rodzajów danych.
W rezultacie często jest odpowiedni dla danych, które są ciągłe, dodatnie, o przesunięciu w prawo i gdzie wariancja jest prawie stała w skali logarytmicznej, chociaż istnieje wiele innych dobrze znanych (i często dość łatwo dostępnych) wyborów z tymi nieruchomości.
Co więcej, często łączy się log-link z gamma GLM (stosunkowo rzadko używa się naturalnego linku). To, co nieznacznie różni się od dopasowania normalnego modelu liniowego do logów danych, polega na tym, że w skali logarytmicznej gamma jest odchylana w różnym stopniu, podczas gdy normalna (log lognormalna) jest symetryczna. To sprawia, że (gamma) jest przydatny w różnych sytuacjach.
Widziałem praktyczne zastosowania GLM gamma omówione (z prawdziwymi przykładami danych) w (z góry mojej głowy) de Jong & Heller i Frees oraz liczne artykuły; Widziałem także aplikacje w innych obszarach. Aha, i jeśli dobrze pamiętam, Venables i Ripley's MASS używają go do nieobecności w szkole (dane quine; Edycja: okazuje się, że tak naprawdę jest w Uzupełnieniu statystyk do MASS , patrz p11, 14 strona pdf, ma link do dziennika, ale jest mała zmiana DV). Uh, McCullagh i Nelder zrobili przykład krzepnięcia krwi, chociaż być może był to naturalny związek.
Jest też książka Faraway, w której zrobił przykład ubezpieczenia samochodu i przykład danych o produkcji półprzewodników.
Wybór jednej z dwóch opcji ma pewne zalety i wady. Ponieważ w tych dniach oba są łatwe do dopasowania; ogólnie rzecz biorąc, chodzi o wybór tego, co jest najbardziej odpowiednie.
To dalekie od jedynej opcji; na przykład, istnieją również odwrotne GLM Gaussa, które są bardziej pochylone / cięższe ogonowe (a nawet bardziej heteroskedastyczne) niż gamma lub lognormalne.
Jeśli chodzi o wady, trudniej jest robić przedziały prognozowania. Niektóre wyświetlacze diagnostyczne są trudniejsze do interpretacji. Obliczanie oczekiwań w skali predyktora liniowego (ogólnie skali logarytmicznej) jest trudniejsze niż w przypadku równoważnego modelu lognormalnego. Testy hipotez i odstępy czasu są na ogół asymptotyczne. Są to często stosunkowo niewielkie problemy.
Ma pewne zalety w stosunku do regresji logarytmicznej log-link (pobieranie logów i dopasowywanie zwykłego modelu regresji liniowej); po pierwsze, przewidywanie jest łatwe.