Zastosowane liniowe modele statystyczne Kutnera i in. stwierdza, co do odstępstw od założenia normalności modeli ANOVA: Kurtoza rozkładu błędów (mniej lub bardziej pikowany niż rozkład normalny) jest ważniejsza niż skośność rozkładu pod względem wpływu na wnioskowanie .
Jestem nieco zdziwiony tym stwierdzeniem i nie udało mi się znaleźć żadnych powiązanych informacji, ani w książce, ani w Internecie. Jestem zdezorientowany, ponieważ dowiedziałem się również, że wykresy QQ z ciężkimi ogonami wskazują, że założenie normalności jest „wystarczająco dobre” dla modeli regresji liniowej, podczas gdy przekrzywione wykresy QQ są bardziej niepokojące (tzn. Może być odpowiednia transformacja) .
Czy mam rację, że to samo rozumowanie dotyczy ANOVA i że ich wybór słów ( ważniejszy pod względem wpływu na wnioski ) został po prostu źle wybrany? Tj. Wypaczony rozkład ma poważniejsze konsekwencje i należy go unikać, podczas gdy niewielka ilość kurtozy może być do zaakceptowania.
EDYCJA: Jak powiedział rolando2, trudno stwierdzić, że jedno jest ważniejsze od drugiego we wszystkich przypadkach, ale szukam jedynie ogólnego wglądu. Moim głównym problemem jest to, że nauczono mnie, że w prostej regresji liniowej wykresy QQ z cięższymi ogonami (= kurtoza?) Są OK, ponieważ test F jest dość odporny na to. Z drugiej strony skośne wykresy QQ (w kształcie paraboli) są zwykle większym problemem. Wydaje się to być sprzeczne z wytycznymi mojej instrukcji ANOVA, mimo że modele ANOVA można konwertować na modele regresji i powinny one mieć takie same założenia.
Jestem przekonany, że coś przeoczam lub mam fałszywe założenie, ale nie mogę zrozumieć, co to może być.