? In analisi statistiche, è normale per i ricercatori di osservare i residui , o le differenze tra i dati reali e loro modelli , nella loro analisi dei dati prima affermando risultati . Se i residui sono non-normale , o non formano una forma curva a campana , è spesso il caso che rendendo conclusione utilizzando il modello sarebbe statisticamente non corretto e appropriato . Così, quando un ricercatore si accorge che i residui del suo modello sono non-normale , lei chiede , naturalmente, perché è così . Ci sono una serie di possibili cause di residui non- normali , e un ricercatore deve guardare a tutte le possibilità per capire il quadro completo . La distribuzione

Se la distribuzione dei dati originali non è normale , che non arriva da una distribuzione gaussiana , allora è estremamente probabile che i residui anche non essere normale . Il ricercatore può scoprire se questa è la causa della non- normalità dei residui , cercando in popolazione dati originali o distribuzione del campione . Se i dati originali non appare normale , il ricercatore può aver commesso un errore nel ritenere che i dati provengono da una distribuzione normale prima di eseguire analisi statistiche . Se questo è il caso , il ricercatore deve ricreare un modello che rappresenta la vera distribuzione della popolazione .

Errate Modello Scelta

Per avere residui , è necessario prima avere un modello . Se il ricercatore sceglie un modello che non è in linea con la realtà , si potrebbe scoprire che i residui hanno una media lontano da zero. Ciò spingerebbe la distribuzione dei residui di distanza da una distribuzione normale standard .

Interdipendenza

maggior parte dei modelli assumono i valori che prevedono sono indipendenti . Cioè , se il modello è in esecuzione su dati che sono dipendenti , assunzione del vostro modello non terrà . Questo riguarda i residui , che li rende interdipendenti . I valori interdipendenti non può venire da una distribuzione normale , spiega la non- normalità dei residui .

Non- varianza costante

I residui di un modello dovrebbe avere la stessa varianza . Ciò significa che i residui devono differire dalla media casuale e indipendente; se il terzo residuo è sottoposto ad una variazione di 4 , poi il quinto , sesto , e residua milionesimo dovrebbe avere la stessa varianza ad essi associati . Se si scopre che la varianza cambia mentre si prevedono valori diversi , è probabile che la causa del non- normalità dei residui .