רגרסיה לינארית בפני עצמה אינה זקוקה להנחה הרגילה (גאוסית), ניתן לחשב את האומדנים (לפי ריבועים קטנים ליניאריים) ללא כל צורך בהנחה כזו, והופך מושלם להרגיש בלי זה. … בפועל, כמובן, ההתפלגות הנורמלית היא לכל היותר פיקציה נוחה.
האם נדרשת נורמליות לרגרסיה?
רגרסיה מניחה רק נורמליות עבור משתנה התוצאה. אי-נורמליות במנבאים עשויה ליצור קשר לא ליניארי בינם לבין ה-y, אבל זה נושא נפרד. … ההתאמה אינה דורשת נורמליות.
האם אתה יכול להשתמש ברגרסיה ליניארית אם הנתונים אינם מחולקים בצורה נורמלית?
בקיצור, כאשר משתנה תלוי אינו מופץ באופן נורמלי, רגרסיה ליניארית נשארת טכניקה מבוססת סטטיסטית במחקרים של דגימות גדולות. איור 2 מספק גדלי מדגם מתאימים (כלומר, >3000) שבהם עדיין ניתן להשתמש בטכניקות רגרסיה ליניארית גם אם הנחת הנורמליות מופרת.
מה קורה אם הנתונים אינם מופצים כרגיל?
Insufficient Data יכול לגרום להתפלגות נורמלית להיראות מפוזרת לחלוטין לדוגמה, תוצאות המבחנים בכיתה מחולקות בדרך כלל בצורה נורמלית. דוגמה קיצונית: אם תבחר שלושה תלמידים אקראיים ותשרטט את התוצאות על גרף, לא תקבל התפלגות נורמלית.
איך אתה יודע אם הנתונים אינם מופצים בדרך כלל?
אם הנתונים הנצפים עוקבים באופן מושלם אחר התפלגות נורמלית, הערך של סטטיסטיקת KS יהיה 0 ה-P-Value משמש כדי להחליט אם ההפרש גדול מספיק כדי לדחות השערת האפס: … אם ה-P-Value של מבחן KS קטן מ-0.05, אנחנו לא מניחים התפלגות נורמלית.
