W tym komentarzu Nick Cox napisał:
Podział na klasy jest starożytną metodą. Podczas gdy histogramy mogą być przydatne, nowoczesne oprogramowanie statystyczne ułatwia, a także wskazane jest dopasowanie rozkładów do surowych danych. Binning po prostu odrzuca szczegóły, które są kluczowe przy określaniu, które rozkłady są prawdopodobne.
Kontekst tego komentarza sugeruje użycie wykresów QQ jako alternatywnego sposobu oceny dopasowania. To stwierdzenie wydaje się bardzo wiarygodne, ale chciałbym wiedzieć o wiarygodnym źródle wspierającym to stwierdzenie. Czy jest jakaś praca, która dokładniej bada ten fakt, poza prostym „cóż, to brzmi oczywisto”? Jakieś faktyczne systematyczne porównania wyników lub polubień?
Chciałbym również zobaczyć, jak daleko można rozciągnąć tę przewagę wykresów QQ nad histogramami do zastosowań innych niż dopasowanie modelu. Odpowiedzi na to pytanie są zgodne, że „wykres QQ […] mówi tylko, że„ coś jest nie tak ”. Zastanawiam się nad wykorzystaniem ich jako narzędzia do identyfikacji struktury obserwowanych danych w porównaniu z modelem zerowym i zastanawiam się, czy istnieją jakieś ustalone procedury korzystania z wykresów QQ (lub ich danych bazowych) do nie tylko wykrywania, ale także opisywania nieprzypadkowego struktura obserwowanych danych. Odniesienia obejmujące ten kierunek byłyby zatem szczególnie przydatne.