873622_de-DE

liliconcom

Regression bei Verletzung der Normalitätsannahme

Wenn es einen Vorbehalt zur Kleinstquadrate-Regression gibt, den sich die meisten von uns merken, dann ist es dieser: Regression setzt Normalität voraus. Genauer gesagt geht die Kleinstquadrate-Regression davon aus, dass die Verteilung von Y gegeben X normal ist, oder äquivalent dazu, dass die Verteilung der Residuen normal ist. Was aber, wenn unsere Daten diese Annahme verletzen (z. B. wenn unsere Antwortverteilung stark verzerrt ist oder nur aus ganzzahligen Werten besteht), was möglicherweise dazu führt, dass wir aus den Ergebnissen falsche Schlussfolgerungen ziehen? Glücklicherweise gibt es Techniken, um dieses allzu häufige Szenario einfach zu bewältigen. Dieses Webinar richtet sich an Wissenschaftler und vermittelt Ihnen Konzepte und Techniken zur Durchführung linearer Regressionen mit nicht-normalen Antwortdaten. Es umfasst auch die Implementierung dieser Techniken in der JMP-Studentenausgabe , einer kostenlosen, voll funktionsfähigen Version von JMP, die ausschließlich für den akademischen Gebrauch bestimmt ist. Zu den Themen gehören: Beurteilung der Normalität Transformieren von Antwortvariablen Verallgemeinerte lineare Modelle (GLMs), die eine geeignetere Antwortverteilung verwenden Auswahl der am besten passenden Verteilung für Ihr GLM Holen Sie sich die JMP-Software kostenlos für den akademischen Gebrauch unter jmp.com/student

Erweiterte statistische ModellierungGrundlegende Datenanalyse und -modellierung