แกมม่ามีคุณสมบัติที่ใช้ร่วมกันโดย lognormal กล่าวคือเมื่อพารามิเตอร์รูปร่างมีค่าคงที่ในขณะที่พารามิเตอร์มาตราส่วนจะแปรผัน (ตามปกติเมื่อใช้กับทั้งสองแบบ) ความแปรปรวนเป็นสัดส่วนกับค่าเฉลี่ยกำลังสอง (สัมประสิทธิ์คงที่ของการเปลี่ยนแปลง)
บางสิ่งบางอย่างโดยประมาณนี้เกิดขึ้นค่อนข้างบ่อยกับข้อมูลทางการเงินหรือกับข้อมูลชนิดอื่น ๆ
เป็นผลให้มักจะเหมาะสำหรับข้อมูลที่ต่อเนื่องบวกขวาเอียงและความแปรปรวนใกล้คงที่ในระดับบันทึกแม้ว่าจะมีตัวเลือกอื่น ๆ ที่รู้จักกันดี (และมักจะค่อนข้างใช้ได้) กับผู้ที่ คุณสมบัติ.
นอกจากนี้ยังเป็นเรื่องปกติที่จะใส่ลิงค์บันทึกกับแกมมา GLM (มันค่อนข้างหายากกว่าที่จะใช้ลิงก์ธรรมชาติ) สิ่งที่ทำให้แตกต่างจากแบบจำลองเชิงเส้นปกติแบบพอดีกับบันทึกของข้อมูลเล็กน้อยคือว่าในระดับล็อกแกมม่าจะเอียงไปจนถึงองศาที่ต่างกันในขณะที่ปกติ (บันทึกของ lognormal) เป็นสมมาตร สิ่งนี้ทำให้ (แกมม่า) มีประโยชน์ในสถานการณ์ที่หลากหลาย
ฉันได้เห็นการใช้งานจริงสำหรับแกมม่า GLM ที่กล่าวถึง (พร้อมตัวอย่างข้อมูลจริง) ใน (นอกส่วนหัวของฉัน) de Jong & HellerและFreesรวมถึงเอกสารมากมาย ฉันเคยเห็นแอปพลิเคชั่นในพื้นที่อื่น โอ้และถ้าฉันจำได้ถูกต้องVenables และ Ripley ของ MASSใช้มันในการขาดเรียนของโรงเรียน (ข้อมูล quine; Edit: กลายเป็นจริงในสถิติเติมเต็มเพื่อ MASSดู p11 หน้า 14 ของ pdf มันมีลิงค์บันทึก แต่ มีการเปลี่ยนแปลงเล็กน้อยของ DV) Uh และ McCullagh และ Nelder ทำตัวอย่างการแข็งตัวของเลือดแม้ว่าบางทีมันอาจเป็นการเชื่อมโยงตามธรรมชาติ
จากนั้นมีหนังสือของ Farawayที่เขาทำตัวอย่างประกันภัยรถยนต์และเป็นตัวอย่างข้อมูลการผลิตเซมิคอนดักเตอร์
มีข้อดีและข้อเสียบางประการในการเลือกทั้งสองตัวเลือก ตั้งแต่วันนี้ทั้งสองง่ายต่อการพอดี; โดยทั่วไปแล้วเป็นเรื่องของการเลือกสิ่งที่เหมาะสมที่สุด
มันไกลจากตัวเลือกเดียว ตัวอย่างเช่นมี Gaussian GLMs ที่ผกผันซึ่งมีความเอียง / หนักกว่า (และยิ่งกว่า heteroskedastic) มากกว่า tailed gamma หรือ lognormal
สำหรับข้อเสียเปรียบมันยากที่จะทำการทำนายช่วงเวลา จอแสดงผลการวินิจฉัยบางอย่างยากที่จะตีความ การคำนวณความคาดหวังในระดับของเครื่องทำนายผลแบบเส้นตรง (โดยทั่วไปคือระดับบันทึก) นั้นยากกว่าแบบจำลอง lognormal ที่เทียบเท่า การทดสอบสมมติฐานและช่วงเวลาโดยทั่วไปจะไม่แสดงอาการ สิ่งเหล่านี้มักเป็นปัญหาเล็กน้อย
มันมีข้อดีกว่า log-link lognormal regression (การบันทึกและการปรับตัวแบบการถดถอยเชิงเส้นปกติ); สิ่งหนึ่งคือการคาดการณ์หมายถึงง่าย