Linear regression sa kanyang sarili ay hindi nangangailangan ng normal (gaussian) assumption, ang mga estimator ay maaaring kalkulahin (sa pamamagitan ng linear least squares) nang hindi nangangailangan ng ganoong pagpapalagay, at ginagawang perpekto pakiramdam kung wala ito. … Sa pagsasagawa, siyempre, ang normal na pamamahagi ay halos isang maginhawang kathang-isip.
Kinakailangan ba ang normalidad para sa regression?
Isinasaalang-alang lamang ng regression ang pagiging normal para sa variable ng resulta. Ang hindi normalidad sa mga predictor ay MAAARING lumikha ng isang hindi linear na relasyon sa pagitan nila at ng y, ngunit iyon ay isang hiwalay na isyu. … Ang akma ay hindi nangangailangan ng normalidad.
Maaari ka bang gumamit ng linear regression kung ang data ay hindi karaniwang ipinamamahagi?
Sa madaling salita, kapag ang isang dependent na variable ay hindi naipamahagi nang normal, ang linear regression ay nananatiling isang istatistikal na pamamaraan sa pag-aaral ng malalaking sukat ng sample. Nagbibigay ang Figure 2 ng mga naaangkop na laki ng sample (i.e., >3000) kung saan magagamit pa rin ang mga linear regression technique kahit na nilabag ang normality assumption.
Ano ang mangyayari kung ang data ay hindi karaniwang ipinamamahagi?
Hindi sapat na Data ay maaaring maging sanhi ng isang normal na distribusyon upang magmukhang ganap na nakakalat Halimbawa, ang mga resulta ng pagsusulit sa silid-aralan ay karaniwang karaniwang ipinamamahagi. Isang matinding halimbawa: kung pipili ka ng tatlong random na mag-aaral at ilalagay ang mga resulta sa isang graph, hindi ka makakakuha ng normal na distribusyon.
Paano mo malalaman kung ang data ay hindi karaniwang ipinamamahagi?
Kung ang naobserbahang data ay ganap na sumusunod sa isang normal na distribusyon, ang value ng KS statistic ay magiging 0 Ang P-Value ay ginagamit upang magpasya kung ang pagkakaiba ay sapat na malaki upang tanggihan ang null hypothesis: … Kung ang P-Value ng KS Test ay mas maliit sa 0.05, hindi namin ipinapalagay na isang normal na pamamahagi.