Çünkü, normal hatalar varsaymak etkili bir şekilde büyük hataların oluşmadığını varsaymakla aynıdır! Normal dağılım o kadar ki, standart sapmalarının dışındaki hataların olasılığı çok düşüktür, standart sapmalarının dışındaki hataların etkili bir şekilde imkansız olması. Uygulamada, bu varsayım nadiren doğrudur. İyi tasarlanmış deneylerden elde edilen küçük, düzenli veri kümelerini analiz ederken, artıkların iyi bir analizini yaparsak, bu çok önemli olmayabilir. Daha düşük kalitede veri ile, çok daha önemli olabilir.± 3± 6
Olasılık temelli (ya da bayes) yöntemleri kullanırken, bu normalliğin etkisi (yukarıda belirtildiği gibi, etkili bir şekilde "büyük hata yok" - varsayım!) Çıkarımı çok az sağlam kılmaktır. Analizin sonuçları büyük hatalardan çok fazla etkilendi! Öyle olmalı, çünkü "büyük hata yok" varsayımı , yöntemlerimizi büyük hataları küçük hatalar olarak yorumlamaya zorlar ve bu yalnızca tüm hataları küçültmek için ortalama değer parametresini hareket ettirerek olabilir. Bunu engellemenin bir yolu "sağlam yöntemler" kullanmaktır, bkz. Http://web.archive.org/web/20160611192739/http://www.stats.ox.ac.uk/pub/StatMeth/Robust .pdf
Fakat Andrew Gelman bu işe yaramayacak çünkü sağlam yöntemler genellikle bayesyen olmayan bir yolla sunulur. Olabilirlik / Bayesian modellerinde t dağıtılmış hatalar kullanılarak olarak, sağlam bir yöntem elde etmek için farklı bir yol olduğunu çok büyük hata daha büyük bir kısmında sağlar, -Dağıtım normalden daha ağır kuyrukları sahiptir. Bu tahmin yöntemine (*) sağlamlığı özelliklerini bozar çünkü serbestlik dereceleri parametresi sayısı verilerden tahmin olup, önceden sabit olmalıdır (aynı zamanda çok zor bir problem, için olabilirlik fonksiyonu , sayı serbestlik dereceleri sınırsız olabilir, çok verimsiz (hatta tutarsız) tahmin edicilere yol açar.tν
Örneğin, on gözlemden 1'inin “büyük hatalar” (3 sd'nin üstünde) olabileceğini düşünüyorsanız (3 sd'nin üzerinde), o zaman , bu sayıyı artırarak 2 serbestlik derecesine sahip bir dağılımı kullanabilirsiniz . büyük hataların oranının daha küçük olduğuna inanılıyor.t
Yukarıda söylediklerimin bağımsız dağıtılmış hatalara sahip modeller için olduğunu belirtmeliyim. Ayrıca, çok değişkenli dağılımının (bağımsız olmayan) hata dağılımı olarak önerileri bulunmaktadır . : O Teklif ağır "çok değişkenli bir eleştirisi imparatorun yeni giysiler kağıt eleştirilen Statistica Neerlandica (1997) Vol TS Breusch JC Robertson ve AH Welsh tarafından regresyon modeli". 51, nr. 3, pp. 269-286, burada çok değişkenli hata dağılımının ampirik olarak normalden ayırt edilemez olduğunu gösterirler. Ancak bu eleştiri bağımsız modelini etkilemez . ttttt
(*) Bunu gösteren bir referans Venables & Ripley MASS --- S ile Modern Uygulamalı İstatistikler (4. basımdaki 110. sayfada).