Линейная регрессия сама по себе не требует нормального (гауссовского) допущения, оценщики могут быть рассчитаны (по линейному методу наименьших квадратов) без какой-либо необходимости в таком допущении и делают совершенным смысл без него. … На практике, конечно, нормальное распределение в лучшем случае является удобной фикцией.
Требуется ли нормальность для регрессии?
Регрессия предполагает нормальность только для переменной результата. Ненормальность в предикторах МОЖЕТ создать нелинейную связь между ними и y, но это отдельная проблема. … Подгонка не требует нормальности.
Можно ли использовать линейную регрессию, если данные не распределены нормально?
Короче говоря, когда зависимая переменная не распределена нормально, линейная регрессия остается статистически надежным методом в исследованиях больших размеров выборки. На рис. 2 показаны соответствующие размеры выборки (т. е. >3000), в которых методы линейной регрессии все еще можно использовать, даже если предположение о нормальности нарушается.
Что произойдет, если данные не распределены нормально?
Недостаток данных может приводить к тому, что нормальное распределение выглядит полностью рассеянным Например, результаты тестов в классе обычно распределяются нормально. Крайний пример: если вы выберете трех случайных студентов и нанесете результаты на график, вы не получите нормального распределения.
Как узнать, что данные не распределены нормально?
Если наблюдаемые данные идеально соответствуют нормальному распределению, значение статистики KS будет равно 0 P-значение используется, чтобы решить, достаточно ли велика разница, чтобы ее отвергнуть. нулевая гипотеза: … Если P-значение теста KS меньше 0.05, мы не предполагаем нормальное распределение.
