เหตุใดบางคนทดสอบสมมติฐานตัวแบบถดถอยเหมือนกับข้อมูลดิบของพวกเขาและคนอื่น ๆ ทดสอบพวกเขาในส่วนที่เหลือ

ฉันเป็นนักศึกษาปริญญาเอกสาขาจิตวิทยาเชิงทดลองและฉันพยายามอย่างหนักเพื่อพัฒนาทักษะและความรู้เกี่ยวกับวิธีการวิเคราะห์ข้อมูลของฉัน

จนกระทั่งปีที่ 5 ของฉันในด้านจิตวิทยาฉันคิดว่ารูปแบบการถดถอย (เช่น ANOVA) ถือว่าเป็นสิ่งต่อไปนี้:

• ความปกติของข้อมูล
• ความแปรปรวนเป็นเนื้อเดียวกันสำหรับข้อมูลและอื่น ๆ

หลักสูตรระดับปริญญาตรีของฉันทำให้ฉันเชื่อว่าข้อสันนิษฐานนั้นเกี่ยวกับข้อมูล อย่างไรก็ตามในปีที่ 5 ผู้สอนของฉันบางคนขีดเส้นใต้ข้อเท็จจริงที่ว่าข้อสันนิษฐานนั้นเกี่ยวกับข้อผิดพลาด (ประมาณโดยค่าตกค้าง) และไม่ใช่ข้อมูลดิบ

เมื่อเร็ว ๆ นี้ฉันกำลังพูดถึงคำถามสมมติฐานกับเพื่อนร่วมงานของฉันบางคนที่ยอมรับว่าพวกเขาค้นพบความสำคัญของการตรวจสอบสมมติฐานเกี่ยวกับส่วนที่เหลือเฉพาะในปีสุดท้ายของมหาวิทยาลัย

ถ้าฉันเข้าใจดีโมเดลที่เหมือนการถดถอยจะทำให้ข้อสันนิษฐานผิดพลาด ดังนั้นจึงเหมาะสมที่จะตรวจสอบสมมติฐานเกี่ยวกับส่วนที่เหลือ ถ้าใช่ทำไมบางคนตรวจสอบสมมติฐานเกี่ยวกับข้อมูลดิบ? เป็นเพราะขั้นตอนการตรวจสอบดังกล่าวประมาณว่าเราจะได้อะไรจากการตรวจสอบสิ่งที่เหลืออยู่?

ฉันจะขัดจังหวะด้วยความสงสัยเกี่ยวกับปัญหานี้กับบางคนที่มีความรู้ที่แม่นยำกว่าเพื่อนร่วมงานของฉันและฉันฉันขอขอบคุณล่วงหน้าสำหรับคำตอบของคุณ

โดยพื้นฐานแล้วคุณอยู่ในเส้นทางที่ถูกต้อง คุณจะพบกับการสนทนาเกี่ยวกับลักษณะของภาวะปกติในNormality ของตัวแปรตาม = ปกติของเศษเหลือ?

สมมติฐานบางประการของโมเดลเชิงเส้นคลาสสิกนั้นเกี่ยวกับข้อผิดพลาดจริง ๆ (โดยใช้ส่วนที่เหลือเป็นความเข้าใจของพวกเขา)

• พวกเขาไม่เกี่ยวข้องกันหรือไม่? (เกี่ยวข้องกับการอนุมานและการปรับให้เหมาะสมที่สุดของเครื่องมือประมาณค่า OLS)
• พวกเขามีความแปรปรวนเท่ากันหรือไม่ (เกี่ยวข้องกับการอนุมานและการปรับให้เหมาะสมที่สุดของเครื่องมือประมาณค่า OLS)
• พวกเขามีศูนย์กลางอยู่ที่ประมาณ 0? (ข้อสมมติฐานหลักในการรับตัวประมาณและการคาดการณ์ที่ไม่เอนเอียง)
• หากตัวอย่างมีขนาดเล็กมาก: เป็นปกติหรือกระจายอย่างสมมาตรอย่างน้อยที่สุดหรือไม่ (เกี่ยวข้องกับการอนุมาน)

เงื่อนไขอื่น ๆ เกี่ยวกับ "ข้อมูลดิบ":

• ไม่มีค่าผิดปกติในการถดถอยหรือไม่? (การสำรวจระดับสูงสามารถทำลายโมเดลทั้งหมดได้)
• ไม่มีความหลากหลายทางชีวภาพที่สมบูรณ์แบบ? (อาจทำให้เกิดปัญหาการคำนวณอย่างน้อยในบางแพคเกจซอฟต์แวร์)

ตอนนี้อาจารย์ระดับปริญญาตรีของคุณอาจถูกต้องเช่นกัน:

• บางทีคุณอาจกำลังมุ่งเน้นไปที่การทดสอบแบบไม่แปรเช่นการทดสอบทีหนึ่งตัวอย่าง ที่นั่นสมมติฐานเกี่ยวกับข้อมูลดิบ
• $R^2$
• คุณจะตรวจสอบ homoscedasticity ฯลฯ จากข้อมูลดิบอย่างไร บางทีคุณอาจเข้าใจผิดเขาหรือเธอ

ฉันพบความแตกต่างระหว่างส่วนที่เหลือและข้อมูลดิบไม่เป็นประโยชน์เนื่องจากทั้งคู่อ้างถึงตัวอย่างจริงของคุณมากกว่าและไม่ใช่การกระจายตัวของประชากร มันจะดีกว่าที่จะคิดว่าเป็นความต้องการบางอย่างที่เป็น "ความต้องการในกลุ่ม" และอื่น ๆ "ระหว่างสมมติฐานกลุ่ม"

ยกตัวอย่างเช่น homonenity ความแปรปรวนเป็น "สมมติฐานระหว่างกลุ่ม" เพราะมันบอกว่าความแปรปรวนภายในกลุ่มจะเหมือนกันสำหรับทุกกลุ่ม

ความสามัญคือสมมติฐาน "ภายในกลุ่ม" ซึ่งกำหนดให้ภายในแต่ละกลุ่ม y มีการกระจายตามปกติ

โปรดทราบว่าการมีกฎเกณฑ์มากกว่า y ดิบทั้งหมดของคุณมักจะหมายความว่าคุณไม่มีผลกระทบใด ๆ - ดูการกระจายเพศโดยไม่แยกความแตกต่างระหว่างหญิงและชาย มันจะไม่ได้รับการกระจายตามปกติเพราะผลกระทบทางเพศที่แข็งแกร่ง แต่ในแต่ละเพศมันก็ค่อนข้างดี