您应该选择“隐藏选项 c”，其中 c 是 beta 回归。当响应变量分布为Beta时，这是一种合适的回归模型。您可以将其视为类似于广义线性模型。这正是您正在寻找的。有一个R名为betareg的包可以处理这个问题。我不知道您是否使用R，但即使您不使用，您也可以阅读“小插曲”，除了如何在R其中实施之外，它们还会为您提供有关该主题的一般信息（您不需要这种情况）。

编辑（很久以后）： 让我快速澄清一下。我将这个问题解释为关于两个积极的真实价值的比率。如果是这样，（并且它们以 Gamma 的形式分布）这是一个 Beta 分布。但是，如果是已知总数的“试验”中的“成功”计数，那么这将是计数比例，而不是连续比例，您应该使用二项式 GLM（例如，逻辑回归）。有关如何在 R 中执行此操作，请参阅例如当结果为分数时如何在 R 中进行逻辑回归（两个计数的比率）？$a$$b$$a/b$

如果可以转换比率以满足标准线性模型的假设，另一种可能性是使用线性回归，尽管我对实际工作并不乐观。

这些是配对样本还是两个独立的群体？

如果是独立种群，您可以考虑log(M) = log(B) + *log(ratio)$X_i$。是 A 的值，则X 是向量 = 1，如果是 B 的值， = 0 。$X_i$$M_i$$X_i$$M_i$

您对该回归的截距将是 log(B)，而您的斜率将是 log(ratio)。

在这里查看更多：

Beyene J, Moineddin R. 应用位置商的比率参数的置信区间估计方法。BMC 医学研究方法论。2005；5(1):32。

编辑：我写了一个 SPSS 插件来做到这一点。如果你有兴趣，我可以分享。

不对。逻辑回归的数据是二进制 0 或 1，但模型预测 p 表示给定预测变量的成功概率，其中是模型中预测变量的数量。实际上，由于 logit 函数，线性模型可以预测 log( ) 的值。因此，要获得 p 的预测，您只需执行逆变换其中是预测的 logit。$X_i$$i=1,2,..,k$$k$$\frac{p}{1-p}$$p=\frac{\exp(x)}{[1+\exp(x)]}$$x$

我们可以在 SVM-C 或任何其他以权重为比率的分类器中使用 sample_weights。在原始情况下，每个数据点将有两个数据点：

1. 以 1 作为目标变量，其中 sample_weight 等于 ratio
2. 以 0 作为目标变量，其中 sample_weight 为 (1-ratio)。

在此处考虑 sample_weights 对 SVM-C 的影响https://scikit-learn.org/stable/auto_examples/svm/plot_weighted_samples.html

然后我们可以使用目标值 1 的预测概率作为我们的比率估计。这里的weights指的是sklearn的fit方法中的sample_weights