Գծային ռեգրեսիան - ն ինքնին կարիք չունի նորմալ (գաուսյան) ենթադրության, գնահատողները կարող են հաշվարկվել (գծային նվազագույն քառակուսիներով) առանց նման ենթադրության անհրաժեշտության և կատարելագործել իմաստ առանց դրա: … Գործնականում, իհարկե, նորմալ բաշխումը առավելագույնը հարմար գեղարվեստական է:
Պահանջվա՞ծ է նորմալություն ռեգրեսիայի համար:
Ռեգեսիան ենթադրում է միայն նորմալություն արդյունքի փոփոխականի համար: Կանխատեսիչների ոչ նորմալ լինելը ԿԱՐՈՂ Է ստեղծել ոչ գծային հարաբերություն նրանց և y-ի միջև, բայց դա առանձին խնդիր է: … Հարմարեցումը նորմալություն չի պահանջում:
Կարո՞ղ եք օգտագործել գծային ռեգրեսիա, եթե տվյալները սովորաբար չեն բաշխվում:
Կարճ ասած, երբ կախյալ փոփոխականը նորմալ չի բաշխվում, գծային ռեգրեսիան մնում է վիճակագրորեն հիմնավոր տեխնիկա մեծ ընտրանքի չափերի ուսումնասիրություններում: Նկար 2-ում ներկայացված են համապատասխան նմուշի չափսեր (այսինքն՝ >3000), որտեղ գծային ռեգրեսիայի տեխնիկան դեռ կարող է օգտագործվել, նույնիսկ եթե նորմալության ենթադրությունը խախտված է։
Ի՞նչ է պատահում, եթե տվյալները սովորաբար չեն բաշխվում:
Անբավարար տվյալները կարող են առաջացնել նորմալ բաշխման ամբողջովին ցրված տեսք Օրինակ, դասարանի թեստի արդյունքները սովորաբար սովորաբար բաշխվում են: Ծայրահեղ օրինակ. եթե ընտրեք երեք պատահական ուսանողների և արդյունքները գծեք գրաֆիկի վրա, ապա նորմալ բաշխում չեք ստանա:
Ինչպե՞ս գիտեք, որ տվյալները սովորաբար չեն բաշխվում:
Եթե դիտարկված տվյալները կատարելապես հետևում են նորմալ բաշխմանը, KS վիճակագրության արժեքը կլինի 0 P-արժեքն օգտագործվում է որոշելու համար, թե արդյոք տարբերությունը բավական մեծ է մերժելու համար: զրոյական վարկած. … Եթե KS թեստի P-արժեքը 0-ից փոքր է:05, մենք չենք ենթադրում նորմալ բաշխում:
