Lineaarinen regressio yksinään ei vaadi normaalia (gaussin) oletusta, estimaattorit voidaan laskea (lineaarisilla pienimmän neliösumman avulla) ilman tällaista oletusta, ja se tekee täydellisen järkeä ilman sitä. … Käytännössä normaalijakauma on tietysti korkeintaan kätevä fiktio.
Tarvitaanko regressioon normaaliolo?
Regressio olettaa vain normaaliuden tulosmuuttujalle. Epänormaalisuus ennustajissa VOI luoda epälineaarisen suhteen niiden ja y:n välille, mutta se on erillinen asia. … Sopivuus ei vaadi normaalia.
Voitko käyttää lineaarista regressiota, jos tiedot eivät ole normaalijakaumassa?
Lyhyesti sanottuna, kun riippuvainen-muuttuja ei jakaudu normaalisti, lineaarinen regressio on edelleen tilastollisesti järkevä tekniikka suurten otoskokojen tutkimuksissa. Kuvassa 2 esitetään sopivat otoskoot (eli >3000), joissa lineaarista regressiotekniikkaa voidaan silti käyttää, vaikka normaaliolooletus rikottaisiin.
Mitä tapahtuu, jos tietoja ei jaeta normaalisti?
Piittämätön data voi saada normaalijakauman näyttämään täysin hajaantuneelta Esimerkiksi luokkahuonetestien tulokset jakautuvat yleensä normaalisti. Äärimmäinen esimerkki: jos valitset kolme satunnaista opiskelijaa ja piirrät tulokset kaavioon, et saa normaalijakaumaa.
Mistä tiedät, jos tietoja ei jaeta normaalisti?
Jos havaitut tiedot noudattavat täydellisesti normaalijakaumaa, KS-tilaston arvo on 0 P-arvoa käytetään päättämään, onko ero tarpeeksi suuri hylättäväksi. nollahypoteesi: … Jos KS-testin P-arvo on pienempi kuin 0.05, emme oleta normaalijakaumaa.
