對於不服從正態分佈的資料如何剔除奇異點

1樓：葉輝亮

第一：針對一樓，bai如果你是想做回du歸模型zhi，在資料不服從正態假設dao的情況下，你可以版對資料進行變換再做權回歸分析，至於用什麼樣的變換，建議你使用box-cox變換族，通過引數來控制變換型別，你舉的例子都是特例，詳細可參見王松桂等著的《線性模型引論》p175.

第二：如果你是想做回歸模型，但是側重於對資料的影響分析，建議你採用廣義線性模型，詳細可參見韋博成等著的《統計診斷》，或者相關的一些其他資料，這個網上很多。

第三，你只是想單純的提出一些奇異點或者高影響點，並且不知道任何樣本分佈的先驗資訊，建議你採用一些非參的方法，這個處理一般來說是比較好的，但是資料要多一點效果才好，一種典型的非引數方法就是bootstrap。

所有資料都服從正態分佈嗎？如有不服從，舉個例子

spss中資料不服從正態分佈怎麼做相關性分析，有人說資料量大於50可以不考慮是不是服從正態分佈（400個資料

2樓：匿名使用者

相關分析的結果只是提示作用，0.1-0.2的話意義不是很大了。

正態性的話還是要看的，可以不考慮你考慮的話也不會錯，對吧

3樓：匿名使用者

可以不考慮是否正態，p=0.00表示有相關了，不過0.1幾的r確實是低，

4樓：頭石會說話

可以先把資料標準化轉化為z分數在做相關看看你的相關係數太低了

5樓：匿名使用者

可以考慮使用非引數檢驗

怎麼才能確定一組資料能夠服從正態分佈？

6樓：小小愛學童子

在有大量實來驗資料時才會符合正態分自布。如果你僅僅是湊的話，那麼確定平均值x，在影象上劃分一些小區間，然後查表確定每一區間所佔的概率，然後乘以總資料數得到落在該區間的樣本數m，然後你隨便在該區間取m個數就可以了，其他區間也同理

7樓：匿名使用者

spss，分析-探索分析，可以進行正態分佈檢驗

8樓：匿名使用者

相關係數不超過某個值吧…課本上有。

9樓：程琪冠昊英

我知道的方法主要bai

是兩種：

第一du，概率密度估計。用模式zhi識別裡常用的概dao率密度函式估計方法專，估計出該組資料的概屬率密度函式p(x)。然後用這組資料的均值和方差作為引數，得出乙個gauss（正態）概率密度函式f(x)。

用絕對值偏差、方均根或其他標準比較f(x)和p(x)，如果充分接近，則說明該組資料符合正態分佈。（甚至可以利用假設檢驗的概念指定置信度水平等）。

第二，累積量。三階和四階累積量有其明確的意義，即所謂「偏度」和「峰度」。前者表明概率密度函式的對稱性，如果值接近0則表示對稱性好；後者表明概率密度函式（假定是單峰的）的尖銳程度，如果值接近0則表示接近正態分佈（正態分佈的所有二階以上累積量值為0）。

注意，峰度可能還有其他定義，注意不要混淆。