The misconception that the normalit

The misconception that the normality assumption
applies to the response and/or predictor variables is
problematic in that there are certainly situations where
the response and/or predictors are not normally
distributed, but a normal distribution for the errors is
still plausible. As one example, dichotomous predictors
are often used in multiple regression; although such
predictors are clearly not normally distributed, the
errors of regression models using dichotomous
predictors may still be normally distributed, allowing
for trustworthy inferences. Furthermore, dichotomous
variables that are particularly strong predictors of a
response variable may induce a bimodality to the
marginal distribution of the response variable, even if
the errors are normally distributed. This is one situation
in which neither predictor nor response variable has a
normal distribution, despite the model errors being
normally distributed.

ผลลัพธ์ (ไทย) 1:

เข้าใจการที่อัสสัมชัญ normalityใช้กับตัวแปรตอบสนองและ/หรือจำนวนประตูได้ปัญหาที่มีสถานการณ์ที่การตอบสนองและ/หรือ predictors ไม่ปกติกระจาย การแจกแจงปกติแต่เป็นข้อผิดพลาดยังรับมือ เป็นตัวอย่างหนึ่ง dichotomous predictorsมักใช้ในหลายถด ถึงแม้ว่าเช่นpredictors ชัดเจนไม่ปกติกระจาย การข้อผิดพลาดของแบบจำลองถดถอยที่ใช้ dichotomouspredictors อาจยังคงปกติกระจาย ให้สำหรับ inferences เชื่อถือ นอกจากนี้ dichotomousตัวแปรที่แข็งแกร่งโดยเฉพาะอย่างยิ่ง predictors ของการตัวแปรตอบสนองอาจทำให้เกิด bimodality การกระจายกำไรเบื้องต้นของตัวแปรตอบสนอง แม้ว่าข้อผิดพลาดที่มีกระจายปกติ นี่คือสถานการณ์ที่หนึ่งซึ่งตัวแปร predictor หรือตอบสนองไม่มีการการแจกแจงปกติ แม้ มีข้อผิดพลาดของรูปแบบการปกติกระจาย

ผลลัพธ์ (ไทย) 2:

ความเข้าใจผิดว่าสมมติฐานปกติจะนำไปใช้กับการตอบสนองและ / หรือเป็นตัวแปรที่มีปัญหาในการที่มีสถานการณ์อย่างแน่นอนที่การตอบสนองและ/ หรือการพยากรณ์จะไม่ปกติกระจายแต่การกระจายปกติสำหรับข้อผิดพลาดคือยังคงเป็นไปได้ เป็นตัวอย่างหนึ่งพยากรณ์ dichotomous มักจะใช้ในการถดถอยหลาย ๆ แม้ว่าเช่นทำนายได้อย่างชัดเจนไม่กระจายตามปกติที่ข้อผิดพลาดของรูปแบบการถดถอยโดยใช้dichotomous พยากรณ์อาจจะยังกระจายตามปกติช่วยให้สำหรับการหาข้อสรุปที่น่าเชื่อถือ นอกจากนี้ dichotomous ตัวแปรที่มีการพยากรณ์ที่แข็งแกร่งโดยเฉพาะอย่างยิ่งของตัวแปรการตอบสนองอาจทำให้เกิด bimodality ถึงกระจายส่วนเพิ่มของตัวแปรตอบสนองแม้ว่าข้อผิดพลาดที่มีการกระจายตามปกติ นี้เป็นหนึ่งในสถานการณ์ที่ไม่ทำนายการตอบสนองหรือตัวแปรที่มีการแจกแจงแบบปกติแม้จะมีข้อผิดพลาดในรูปแบบที่มีการกระจายตามปกติ

ผลลัพธ์ (ไทย) 3:

เข้าใจผิดว่าปกติอัสสัมชัญ
กับการตอบสนองและ / หรือทำนายตัวแปรที่เป็นปัญหาว่ามีแน่นอน

การตอบสนองสถานการณ์ที่ไม่ปกติ และ / หรือ ทำนาย
กระจาย แต่การกระจายปกติของข้อผิดพลาดคือ
ยังคงเป็นไปได้ เป็นหนึ่งตัวอย่างไดโคโตมัส
( มักใช้ในการ วิเคราะห์การถดถอยพหุคูณแม้ว่าเช่น
;ตัวนี้ ยังไม่ได้แบบปกติ , ข้อผิดพลาดของการถดถอยแบบ dichotomous

ตัวนี้อาจจะยังเป็นแบบปกติให้
สำหรับเชื่อถืออ้างอิง . นอกจากนี้ตัวแปรไดโคโตมัส
ที่แข็งแกร่งโดยเฉพาะอย่างยิ่งการพยากรณ์ของตัวแปรอาจจูง bimodality

ส่วนของการกระจายการตอบสนองตัวแปรแม้ว่า
ความคลาดเคลื่อนมีการแจกแจงปกติ . นี้เป็นหนึ่งในสถานการณ์ที่เหมือนกัน

) หรือการตอบสนองตัวแปรที่มีการแจกแจงปกติ แม้จะมีข้อผิดพลาดถูก
กระจายแบบปกติ