对于预测建模，我们是否需要关注随机效应和非独立观察（重复测量）等统计概念？例如....

我有来自 5 个直邮活动（在一年内发生）的数据，这些活动具有各种属性和一个购买标志。理想情况下，我会结合使用所有这些数据来构建一个模型，用于在活动期间给定客户属性进行购买。原因是购买事件很少，我想尽可能多地使用信息。给定客户有可能参与 1 到 5 个活动 - 这意味着记录之间不存在独立性。

使用时这是否重要：

1) 机器学习方法（例如树、MLP、SVM）

2）统计方法（逻辑回归）？

**ADD:**

我对预测建模的想法是，如果模型有效，请使用它。所以我从来没有真正考虑过假设的重要性。想到我上面描述的案例让我想知道。

以机器学习算法为例MLP and SVM。这些已成功用于对二进制事件进行建模，例如我上面的示例，以及明显相关的时间序列数据。然而，许多使用的损失函数是可能性的，并且假设错误是独立同分布的。例如，R 中的梯度提升树使用从二项式（第 10 页gbm）派生的偏差损失函数。