Artıklar homoscedastik değilse ne olur? Kalanlar Kalanlar - Takılan arsa'da artan veya azalan bir model gösteriyorsa.
Eğer hata terimi homoscedastik değilse (artıkları gözlemlenemeyen hata terimi için bir vekil olarak kullanırız), OLS tahmincisi hala tutarlı ve tarafsızdır ancak artık doğrusal tahminciler sınıfında en verimli değildir. Artık bu özelliğe sahip olan GLS tahmincisi.
Artıklar normal dağılmazsa ve Shapiro-Wilk testinde başarısız olursa ne olur? Shapiro-Wilk normallik testi çok katı bir testtir ve bazen Normal-QQ grafiği biraz makul görünse bile, veriler testi geçemez.
Normallik, Gauss-Markov teoremi için gerekli değildir. OLS tahmincisi hala MAVİ, ancak normallik olmadan, en azından sonlu örneklem büyüklükleri için çıkarım yapmakta zorluk çekeceksiniz, yani hipotez testleri ve güven aralıkları. Yine de hala önyükleme var.
Asimptotik olarak, OLS tahmincisinin hafif düzenlilik koşulları altında sınırlı bir normal dağılıma sahip olması nedeniyle bu daha az problemdir.
Bir veya daha fazla tahmin edici normalde dağılmadığında, Normal QQ grafiğine doğrudan bakmadığında veya veriler Shapiro-Wilk testinde başarısız olursa ne olur?
Bildiğim kadarıyla tahmincilerin ya sabit olduğu kabul edilir ya da gerileme bunlara bağlıdır. Bu normal olmayanlığın etkisini sınırlar.
Normallikten vazgeçmenin anlamı, R-Kare değerine göre uygun olan bir modeldir. Daha az güvenilir mi, yoksa tamamen işe yaramaz mı?
R-karesi, model tarafından açıklanan varyansın oranıdır. Normallik varsayımını gerektirmez ve ne olursa olsun uyum iyiliğinin bir ölçüsüdür. Kısmi bir F testi için kullanmak istersen, bu başka bir hikaye.
Sapma ne ölçüde kabul edilebilir veya hiç kabul edilebilir mi?
Normalden sapma demek istiyorsun, değil mi? Bu gerçekten sizin amaçlarınıza bağlı, çünkü dediğim gibi, normalliğin yokluğunda çıkarım zorlaşıyor, ancak imkansız değil (önyükleme!).
Normallik kriterlerini karşılamak için verilerde dönüşümler uygulanırken, veriler daha normalse (Shapiro-Wilk testinde daha yüksek P değeri, normal QQ grafiğine daha iyi bakarsanız) model daha iyi hale gelir mi, yoksa işe yaramazsa (eşit derecede iyi veya Veriler normallik testini geçinceye kadar orijinaline kıyasla kötü mü?)
Kısacası, tüm Gauss-Markov varsayımlarına ve normalliğe sahipseniz , OLS tahmincisi En İyi Tarafsızdır (BUE), yani tüm tahmin edici sınıflarında en verimli olan Cramer-Rao Lower Bound elde edilir. Bu elbette arzu edilir, ancak gerçekleşmezse dünyanın sonu değildir. Yukarıdaki açıklamalar geçerlidir.
Dönüşümlerle ilgili olarak, cevabın dağılımının normallikle yakınlaşabileceği halde, yorumlamanın daha sonra basit olamayacağı akılda tutulmalıdır.
Bunlar sadece sorularınızın kısa cevapları. Normallik olmamanın etkileri ile özellikle ilgileniyor gibisiniz. Genel olarak, insanların (yapılan?) İnandıkları kadar felaket olmadığını ve geçici çözümlerin olduğunu söyleyebilirim. Dahil ettiğim iki referans, ilki teorik nitelikte olan ileri okuma için iyi bir başlangıç noktasıdır.
Kaynaklar :
Hayashi, Fumio. : "Ekonometri", Princeton Üniversitesi Yayınları, 2000
Kutner, Michael H., vd. "Uygulamalı doğrusal istatistiksel modeller.", McGraw-Hill Irwin, 2005.