Lineārajai regresijai pats par sevi nav nepieciešams normāls (gausa) pieņēmums, aplēses var aprēķināt (ar lineārajiem mazākajiem kvadrātiem) bez nepieciešamības izmantot šādus pieņēmumus, un tas ir perfekts. jēga bez tā. … Praksē, protams, normālais sadalījums ir ne vairāk kā ērts izdomājums.
Vai regresijai ir nepieciešama normalitāte?
Regresijā tiek pieņemts tikai iznākuma mainīgānormalitāte. Prognozētāju nenormalitāte VAR radīt nelineāras attiecības starp tām un y, taču tas ir atsevišķs jautājums. … Pielāgošanai nav nepieciešama norma.
Vai varat izmantot lineāro regresiju, ja dati nav normāli sadalīti?
Īsi sakot, ja atkarīgais mainīgais netiek sadalīts normāli, lineārā regresija joprojām ir statistiski pamatota metode liela izlases lieluma pētījumos. 2. attēlā ir norādīti piemēroti izlases lielumi (t.i., >3000), kuros joprojām var izmantot lineārās regresijas metodes, pat ja tiek pārkāpts normalitātes pieņēmums.
Kas notiek, ja dati netiek normāli izplatīti?
Nepietiekami dati var izraisīt normālu sadalījumu, kas izskatās pilnīgi izkliedēts Piemēram, klasē pārbaudes rezultāti parasti tiek sadalīti normāli. Ekstrēms piemērs: ja izvēlaties trīs nejaušus studentus un rezultātus attēlojat grafikā, jūs neiegūsit normālu sadalījumu.
Kā zināt, vai dati netiek normāli izplatīti?
Ja novērotie dati perfekti atbilst normālam sadalījumam, KS statistikas vērtība būs 0 P vērtību izmanto, lai izlemtu, vai atšķirība ir pietiekami liela, lai to noraidītu. nulles hipotēze: … Ja KS testa P vērtība ir mazāka par 0.05, mēs nepieņemam normālu sadalījumu.
