Aplica lineal de los modelos estadísticos por Kutner et al. dice lo siguiente acerca de las desviaciones de la normalidad asunción de los modelos de ANOVA: la Curtosis de la distribución de error (ya sea más o menos picuda que una distribución normal) es más importante que la asimetría de la distribución en términos de los efectos sobre inferencias.
Estoy un poco perplejo por esta declaración y no logran encontrar toda la información relacionada, ya sea en el libro o en línea. Estoy confundido porque también me enteré de que Q-parcelas con pesadas colas son una indicación de que el supuesto de normalidad es "suficientemente buena" para los modelos de regresión lineal, mientras que la sesgada QQ-parcelas son las más preocupantes (es decir, una transformación podría ser apropiado).
Estoy en lo cierto de que el mismo razonamiento para el análisis de la VARIANZA y que su elección de palabras (más importante en términos de los efectos sobre inferencias) fue elegido mal? I. e. una distribución sesgada tiene consecuencias más graves y deben ser evitados, mientras que una pequeña cantidad de curtosis puede ser aceptable.
EDIT: Como dirigida por rolando2, es difícil afirmar que una es más importante que el otro, en todos los casos, pero estoy simplemente mirar para general conocimiento. Mi problema principal es que se me enseñó que en la regresión lineal simple, QQ-parcelas con más pesadas colas (=curtosis?) están bien, ya que el F-test es bastante robusto en contra de esto. Por otro lado, sesgada QQ-parcelas (en forma de parábola) suelen ser una preocupación más grande. Esto parece ir directamente en contra de las directrices de mi libro de texto proporciona para el análisis de la VARIANZA, aunque los modelos de ANOVA se puede convertir a los modelos de regresión y debe tener los mismos supuestos.
Estoy convencido de que estoy con vistas a algo o tengo una suposición falsa, pero no puedo averiguar lo que podría ser.
