分銷平台你好，
需要一些建議。
我使用分發平台來檢查最適合我的數據。 我想知道，如果我們將非正態分佈假設為正態分佈，是否有任何方法可以檢查引入的誤差水平（集中趨勢和方差）。
分析回复：分發平台你好@比利,
我知道您想通過假設數據真正來自非正態分佈時的正態分佈來理解“錯誤級別”。 那是對的嗎？這是一個有趣的問題。
我能問一下你為什麼要這樣做嗎？ 您是否有需要這樣做的真實情況並且可以告訴我們？
我不確定您的示例中的數據是如何生成的 - 也許這是來自一個真實的過程？ 但是您的比較分佈分析表明對數正態分佈可能是最佳分佈。
話雖如此，Gamma 分佈和正態分佈具有相似的 AICc。 AICc 是擬合優度的度量，我們通常說 AICc 小於 2 的差異不顯著。
所以這表明，在這種情況下，如果分佈真的是對數正態分佈，那麼假設正態分佈的位置/尺度/集中趨勢和分散/形狀/方差的“誤差水平”將很小。 您可以從圖中的擬合分佈中看到這一點 - 它們幾乎無法區分（尤其是因為它們是相似的顏色！）。
這有幫助嗎？ 您是否有一種特定的方法可以量化“錯誤級別”？ 您如何知道什麼是“正確”分佈，然後才能查看假設“不正確”正態分佈的錯誤？
菲爾
回复：分發平台您可能會發現有用的另一個想法是每個擬合分佈的紅色小三角菜單中的分位數刻畫器。 您可以使用這些來比較分位數。 您可以在下方看到每個分佈的中位數（概率 = 0.5）和第 10 個百分位數（概率 = 0.1）估計值。 同樣，這表明分佈之間的差異可以忽略不計。
回复：分發平台謝謝@Phil_Kay對於響應。 我同意你的看法，這裡的對數正態和正常之間沒有太大區別。 但我確實有另一個數據，其中差異約為 5 AICc，但我會用它檢查分位數分析器，如果出現問題，我會發布它。 再次非常感謝您的幫助。
