Bazı zaman noktalarının tepkileri büyük ölçüde çarpıkken ve bazıları tekrarlanan önlemler çalışmasında bulunmadığında ne yapmalı?

Tipik olarak, uzunlamasına bir tasarımda (örneğin, denekler arasında bir etki ile) sürekli ancak çarpık sonuç ölçümleriyle karşılaşıldığında ortak yaklaşım, sonucu normale dönüştürmektir. Kesik gözlemlerde olduğu gibi durum aşırı ise, fantezi olabilir ve bir Tobit büyüme eğrisi modeli veya bazılarını kullanabilir.

Ama normalde belirli zaman noktalarında dağıtılan ve daha sonra diğerlerine aşırı eğilmiş sonuçlar gördüğümde kayboldum; dönüşüm bir sızıntıyı tıkayabilir ancak diğerini yayabilir. Böyle bir durumda ne önerebilirsiniz? Farketmediğim karma efekt modellerinin parametrik olmayan versiyonları var mı?

Not: Uygulamalı bir örnek, bir dizi eğitimsel müdahaleden önce / sonra bilgi testi puanları olacaktır. Skorlar normal başlar ancak daha sonra skalanın en üst kısmında kümelenir.

Sorunun artıklarınızda oluştuğunu varsayarsak (sonuç değişkeninin kendisinin dağılımı genellikle bir sorun olmadığından), bir dönüşümü veya uygulamasıyla "düzeltmeye" çalışmak yerine sorunun nedenini araştırmak isterim. parametrik olmayan model.

Bir eğilim (örneğin, giderek daha fazla veya daha az normal hale gelme) veya normalden normale geçme arasında açık bir mola olduğu görülüyorsa, bir tür "rejim değişikliği" verileriniz (yani, veri oluşturma mekanizması zaman içinde değişmektedir) veya bir çeşit eksik değişken problemidir.

Eğer belirgin bir örüntü yoksa (örn. 1 ve 3 zaman periyotları normal görünür ve 2 ve 4 zaman periyotları görünmez) veri bütünlüğü problemini çok dikkatli bir şekilde ararım.

Bir rejim değişikliğiniz olup olmadığını kontrol etmenin basit bir yolu, modeli yalnızca "normal" zaman periyotlarını kullanarak tahmin etmek ve daha sonra diğer zaman periyotlarını kullanarak yeniden tahmin etmek ve hangi farkın oluştuğunu görmek. Daha karmaşık bir yaklaşım, belki de eşzamanlı değişken olarak zamanla gizli bir sınıf modeli kullanmaktır.

Parametrik olmayan karma efekt modelleri hakkındaki sorunuzla ilgili olarak, bu tür parametrik olmayan ile ne demek istediğinize bağlıdır. Sayısal bir bağımlı değişken kabul etmeyen modelleri kastediyorsanız, bu tür birçok model vardır (örneğin, LIMDEP'in çok azı vardır). Ayrıca, normalite varsayımının ihlalinin, sadece örneklem büyüklüğünüz küçükse, çıkarım açısından muhtemelen sorunlu olacağını unutmayın. Bunu araştırmanın bir yolu, diğer yorumlarda ve cevaplarda tartışılan çeşitli dönüşümleri denemek ve sonuçlarınız üzerinde büyük bir etkisi olup olmadığını görmek olacaktır.

Değişkeni bir güç lambda'ya yükselten Box-Cox dönüşümleri vardır, burada lambda model parametre kestirimine dahil edilir. Tukey'in katlanmış güç dönüşümüne aşina değilim, bu yüzden aynı şey hakkında konuşup konuşmadığımızı bilmiyorum. Orda'da lambda'yı tahmin etmek için uyumda birden fazla noktaya ihtiyacınız var. Dağılımın tanımlandığı her zaman noktasına, her zaman noktasında testi alan bir dizi konuya farklı bir dağılım mı eklemek istiyorsunuz? Bazı zaman noktalarının aynı dağılıma sahip olması gerektiğini bilseniz bile, bunları tek bir uyumda birleştirmek isteyebilirsiniz.

Parametrik olmayan ve normale dönüşümleri içermeyen bir başka yaklaşım, bootstrap'i her bir zaman noktasında veya her bir kombine zaman noktasında uygulamak olacaktır.