371. Reszty w modelach statystycznych – po co je oglądać?
Reszty pokazują, czego model nie wyjaśnia. Dowiedz się, jak czytać wykresy reszt, wykrywać błędy modelu i oceniać obserwacje wpływowe.
-
-
370. Homoskedastyczność w regresji – diagnostyka
Jak rozpoznać homoskedastyczność i heteroskedastyczność w regresji? Lekcja omawia wykresy reszt, testy, konsekwencje oraz sposoby postępowania.
-
369. Liniowość zależności – jak ją sprawdzać?
Liniowość nie oznacza, że wszystkie punkty leżą na prostej. Sprawdź, jak oceniać ją za pomocą wykresów, reszt i rozsądnych modeli alternatywnych.
-
368. Niezależność obserwacji – często najważniejsze założenie
Niezależność obserwacji jest jednym z najważniejszych założeń analiz statystycznych. Lekcja pokazuje, jak rozpoznawać zależności, oceniać ich skutki i dobierać właściwe modele.
-
367. Test Levene’a i Brown–Forsythe’a
Test Levene’a i test Brown–Forsythe’a służą do oceny homogeniczności wariancji. Lekcja wyjaśnia ich założenia, wzory, interpretację i zastosowanie.
-
366. Homogeniczność wariancji – co oznacza?
Homogeniczność wariancji oznacza podobny poziom zróżnicowania wyników w porównywanych grupach. Lekcja wyjaśnia znaczenie tego założenia, sposoby diagnostyki i konsekwencje jego naruszenia.
-
365. Duża próba a testy normalności – problem nadmiernej czułości
W dużych próbach testy normalności mogą wykrywać bardzo małe, praktycznie nieistotne odstępstwa od rozkładu normalnego. Lekcja pokazuje, jak interpretować ich wyniki łącznie z wykresami, charakterem zmiennej, resztami modelu i znaczeniem praktycznym.
-
364. Test Shapiro–Wilka – kiedy pomaga, a kiedy wprowadza w błąd?
Test Shapiro–Wilka jest użytecznym narzędziem diagnostycznym, ale nie powinien samodzielnie decydować o wyborze analizy. Sprawdź, jak interpretować go rozsądnie.
-
363. Histogram, Q–Q plot i testy normalności – jak oceniać rozkład?
Jak oceniać normalność rozkładu za pomocą histogramu, wykresu Q–Q i testów statystycznych? Lekcja pokazuje, jak łączyć diagnostykę graficzną z formalnym wnioskowaniem.
-
362. Normalność danych a normalność reszt – ważne rozróżnienie
Normalność całych danych nie jest tym samym co normalność reszt modelu. Lekcja wyjaśnia, co sprawdzać w regresji, ANOVA i testach parametrycznych.
-
361. Założenia testów statystycznych – dlaczego nie są formalnością?
Założenia testów statystycznych nie są formalnością. Wyjaśniamy, jak dotyczą niezależności, rozkładu, wariancji, obserwacji odstających i poprawnej interpretacji wyników.