Normalliği kontrol etmek için doğrusal bir modelin kalıntıları üzerinde bir Shapiro Wilk'un W testi ve Kolmogorov-Smirnov testi yapmak istiyorum. Sadece bunun için hangi artıkların kullanılması gerektiğini merak ediyordum - ham artıklar, Pearson kalıntıları, öğrenci kalıntıları veya standart kalıntılar? Shapiro-Wilk'un W testi için, ham & Pearson kalıntıları için sonuçlar aynıdır, ancak diğerleri için değildir.
fit=lm(mpg ~ 1 + hp + wt, data=mtcars)
res1=residuals(fit,type="response")
res2=residuals(fit,type="pearson")
res3=rstudent(fit)
res4=rstandard(fit)
shapiro.test(res1) # W = 0.9279, p-value = 0.03427
shapiro.test(res2) # W = 0.9279, p-value = 0.03427
shapiro.test(res3) # W = 0.9058, p-value = 0.008722
shapiro.test(res4) # W = 0.9205, p-value = 0.02143
KS için aynı soru ve ayrıca kalıntıların normal bir dağılıma (anormal) karşı test edilip edilmeyeceği
ks.test(res1, "pnorm") # D = 0.296, p-value = 0.005563
veya nk-2 serbestlik derecesine sahip bir t-öğrenci dağılımı,
ks.test(res3, "pt",df=nrow(mtcars)-2-2)
Belki herhangi bir tavsiye? Ayrıca, dağılımın normalliğe yeterince yakın olması ve çıkarımınızı çok fazla etkilememesi için W (> 0.9?) Ve D test istatistikleri için önerilen değerler nelerdir?
Son olarak, bu yaklaşım, takılan lm katsayılarındaki belirsizliği hesaba katıyor mu yoksa cumres()
paketteki işlev gof()
bu açıdan daha iyi olur mu?
alkış, Tom