Ich denke, das Problem, das Sie verwirrt, ist, dass Sie es gewohnt sind, einen additiven Fehler zu haben. Die meisten Modelle werden nicht.
Stellen Sie sich die lineare Regression nicht als lineares Mittel mit einem additiven Fehler vor, sondern als eine Reaktion, die bedingt normal ist:
(Y|X)∼N(Xβ,σ2I)
Dann sind die Ähnlichkeiten zu GLMs, insbesondere zur Poisson-Regression und zur logistischen Regression, deutlicher.
(Y|X)E(Y|X)Y−E(Y|X)
[Sie können eine beliebige Kombination von Prädiktoren verwenden und die Antwortvariable in Bezug auf ihre Erwartung und eine Abweichung davon schreiben - ein „Fehler“, wenn Sie so wollen -, aber es ist nicht besonders aufschlussreich, wenn es sich um ein anderes Objekt als jede andere Kombination von Prädiktoren handelt. In der Regel ist es informativer und intuitiver, die Antwort als eine Verteilung zu schreiben, die von den Prädiktoren abhängt, als in Form einer Abweichung von der Erwartung.]
Während Sie es also mit einem Fehlerbegriff schreiben können , ist es weniger bequem und konzeptionell schwieriger, dies zu tun, als andere Dinge zu tun.