Wat zijn de oorzaken van niet-normale Residuen?

In de statistische analyse, het is standaard voor onderzoekers om de residuen, of verschillen tussen de feitelijke gegevens en hun modellen, in hun data-analyse, voordat u met vermelding van de resultaten. Zijn de resultaten niet normaal of niet vormen van een bel-curve vorm, is het vaak het geval dat het maken van het model conclusie statistisch onjuist en ongeschikt zou zijn. Wanneer dus een onderzoeker merkt dat de residuen in zijn model niet-normaal, zij natuurlijk vraagt ​​waarom dit zo is. Er zijn een aantal mogelijke oorzaken voor het niet-normale residuen, en een onderzoeker moet kijken naar alle van de mogelijkheden om het volledige plaatje te begrijpen. De distributie

Indien de verdeling van de oorspronkelijke gegevens niet normaal, dat niet afkomstig uit een Gaussische verdeling, dan is het zeer waarschijnlijk dat de residuen ook niet normaal. De onderzoeker kan vinden of dit de oorzaak is van de niet-normaliteit van de residuen door te kijken naar de oorspronkelijke data populatie of steekproef distributie. Als de oorspronkelijke gegevens niet normaal lijken, kan de onderzoeker een fout in de veronderstelling dat de gegevens kwamen uit een normale verdeling voor het uitvoeren van statistische analyses hebben gemaakt. Als dit het geval is, moet de onderzoeker een model dat rekening houdt met de werkelijke verdeling van de bevolking.
Verkeerde Model Keus

reststoffen hebben recreëren, moet u eerst een model. Als de onderzoeker kiest voor een model dat niet in overeenstemming is met de werkelijkheid, kan ze vinden dat de residuen hebben een gemiddelde ver van nul. Dit zou duwen de verdeling van de residuen uit de buurt van een standaard normale verdeling.
Interdependence

meeste modellen
aannemen dat de waarden die ze voorspellen zijn onafhankelijk. Dat is, als uw model draait op gegevens die afhankelijk zijn, zal aanname van uw model niet vasthouden. Dit beïnvloedt de residuen, waardoor ze onderling afhankelijk. Onderling afhankelijke waarden kunnen niet komen van een normale verdeling, het uitleggen van de non-normaliteit van de residuen.
Non-constante Variance

De residuen van een model moet dezelfde variantie hebben. Wat dit betekent is dat residuen zouden zijn met willekeurig en onafhankelijk het betekenen, indien het derde residu wordt onderworpen aan een verschil van 4, dan de vijfde, zesde en een miljoenste residuele moeten dezelfde variantie gekoppeld. Als u vindt dat de variantie verandert als je voorspellen verschillende waarden, dit is waarschijnlijk de oorzaak van de niet-normaliteit van de residuen.