Datos sesgados negativamenteEstoy intentando ejecutar una prueba de regresión múltiple en JMP, pero mis datos residuales no cumplieron con el supuesto de distribución. La asimetría fue -1,21 y la curtosis fue 4,52, por lo que mis datos están sesgados negativamente. ¿Cómo procedo? (Soy algo así como un novato). No hemos aprendido sobre transformaciones como log o raíz cuadrada. Probé ambos agregándolos por separado como fórmulas para la columna de datos residuales, pero todo lo que obtuve fueron puntos inviables en la columna.
ventanasRe: Datos sesgados negativamenteSupongo que hiciste un análisis de regresión múltiple (la palabra "prueba" aquí es un uso extraño de ese término). Si es así, lo primero que diría es que sus residuos no parecen tan preocupantes. Los supuestos de regresión múltiple son muy indulgentes: rara vez se cumplen, pero normalmente no importan mucho. Sin embargo, en la medida en que sus residuos estén sesgados, es natural intentar una transformación logarítmica. La forma más sencilla de hacerlo es cuando coloca su variable Y en el cuadro de la variable de respuesta, hace clic en el menú desplegable junto a "Transformar" en esa ventana y solicita el registro. Luego use los mismos efectos de modelo que estaba usando.
Supongo que la transformación logarítmica puede no mejorar mucho las cosas aquí, ya que los residuos tenían un sesgo negativo (creo que serían más apropiados para un sesgo positivo). Entonces, podrías probar algunas de las otras transformaciones. Sin embargo, como dije, no creo que sus residuos parezcan necesitar modificar el modelo. Examinaría los otros aspectos de su modelo (¿son significativos los coeficientes de los efectos y tienen sentido? ¿Se ajusta bien el modelo general? ¿Qué otros datos tiene que no haya utilizado? ¿Cómo se ve el gráfico residual? como: ¿la dispersión es razonablemente aleatoria?) antes de preocuparse demasiado por la distribución de los residuos.
Re: Datos sesgados negativamenteQuizás quieras considerar una transformación Box-Cox
Re: Datos sesgados negativamenteHola @StacyKJones , apoyo lo que @txnelson sugirió con la opción Box Cox ubicada aquí:
Esto no solo encontrará la mejor transformación, sino que también podrá reajustar el modelo como una nueva ventana de análisis para poder comparar ambos modelos y ver cómo la transformación lo mejoró. Además, mantiene las unidades en las unidades originales del perfilador, lo cual es bueno.
esteban
Re: Datos sesgados negativamenteLa única otra cosa que agregaré a las respuestas de @dlehman1 y @txnelson (con la que estoy de acuerdo) es que, por el momento, olvidemos las estadísticas. Y lidiar con la practicidad. Si al final del día, si puedes resolver/resolver el problema práctico con el modelo con el que terminaste... ¿a quién le importan las estadísticas? Vengo de la industria como estadístico en ejercicio... a los equipos en los que estaba se les pagaba para resolver problemas... no para obtener modelos perfectos que satisficieran todos los "supuestos" asociados con varios métodos estadísticos.
