モデルの残差を可能な限り正常にするために、最良の(または最良の1つ)変数変換を探すことができる関数またはパッケージはありますか?
例えば:
_frml = formula(some_tranformation(A) ~ B+I(B^2)+B:C+C)
model = aov(formula, data=data)
shapiro.test(residuals(model))
_
残差の正規性を最適化する関数some_transformation()
とは何かを伝える関数はありますか?
Box-Cox変換のような意味ですか?
library(car)
m0 <- lm(cycles ~ len + amp + load, Wool)
plot(m0, which=2)
# Box Cox Method, univariate
summary(p1 <- powerTransform(m0))
# bcPower Transformation to Normality
#
# Est.Power Std.Err. Wald Lower Bound Wald Upper Bound
# Y1 -0.0592 0.0611 -0.1789 0.0606
#
# Likelihood ratio tests about transformation parameters
# LRT df pval
# LR test, lambda = (0) 0.9213384 1 0.3371238
# LR test, lambda = (1) 84.0756559 1 0.0000000
# fit linear model with transformed response:
coef(p1, round=TRUE)
summary(m1 <- lm(bcPower(cycles, p1$roundlam) ~ len + amp + load, Wool))
plot(m1, which=2)
残念ながら、これは統計の解決された問題ではありません。ユーザー@statquantが提案したことは、あなたができる最善のことですが、それ自体の落とし穴がないわけではありません。
注意すべき重要な点の1つは、shapiro.test
のような正規性の検定は、妥当なサンプルサイズ(つまり、数百)を取得すると、変更に非常に敏感であるため、盲目的にそれらに依存するべきではないということです。
私自身、私は問題を難しすぎるバスケットに投げ込みました。データが少なくとも正規分布に見えない場合は、データに対して実行する統計のノンパラメトリックバージョンを見つけようとします。