Lineáris regresszió önmagában nem igényli a normál (gauss-féle) feltevést, a becslések kiszámíthatók (lineáris legkisebb négyzetekkel) ilyen feltételezés nélkül, és tökéletes értelme nélküle. … A gyakorlatban persze a normál eloszlás legfeljebb egy kitaláció.
Szükséges a normalitás a regresszióhoz?
A regresszió csak a eredményváltozóra feltételezi a normalitást. A prediktorok nem-normalitása nemlineáris kapcsolatot hozhat létre közöttük és az y között, de ez egy külön kérdés. … Az illeszkedés nem igényel normalitást.
Használhat lineáris regressziót, ha az adatok nem normál eloszlásúak?
Röviden, ha egy függő változó nem oszlik el normálisan, a lineáris regresszió statisztikailag megalapozott technika marad a nagy mintaméretű vizsgálatokban. A 2. ábra megfelelő mintaméreteket mutat be (azaz >3000), ahol a lineáris regressziós technikák még akkor is használhatók, ha megsértik a normalitási feltételezést.
Mi történik, ha az adatok elosztása nem normális?
Az elégtelen adat a normál eloszlást teljesen szórtnak tűnheti Például az osztálytermi tesztek eredményei általában normális eloszlásúak. Egy extrém példa: ha kiválaszt három véletlenszerű tanulót, és az eredményeket egy grafikonon ábrázolja, akkor nem fog normális eloszlást kapni.
Honnan tudhatja, hogy az adatok elosztása nem normális?
Ha a megfigyelt adatok tökéletesen követik a normál eloszlást, a KS statisztika értéke 0 A P-érték segítségével eldönthető, hogy a különbség elég nagy-e az elutasításhoz a nullhipotézis: … Ha a KS-teszt P-értéke kisebb, mint 0.05, nem feltételezünk normális eloszlást.
