variance (and related procedures su

variance (and related procedures such as multiple comparisons) is robust to the normality
assumption. Departures from normality usually cause both the true significance level and the
power to differ slightly from the advertised values, with the power generally being lower. The random
effects model that we will discuss in Section 3.9 and Chapter 13 is more severely affected by
nonnormality.
A very common defect that often shows up on normal probability plots is one residual
that is very much larger than any of the others. Such a residual is often called an outlier. The
presence of one or more outliers can seriously distort the analysis of variance, so when a
potential outlier is located, careful investigation is called for. Frequently, the cause of the
outlier is a mistake in calculations or a data coding or copying error. If this is not the cause,
the experimental circumstances surrounding this run must be carefully studied. If the outlying
response is a particularly desirable value (high strength, low cost, etc.), the outlier may
be more informative than the rest of the data. We should be careful not to reject or discard
an outlying observation unless we have reasonably nonstatistical grounds for doing so. At
worst, you may end up with two analyses; one with the outlier and one without.
Several formal statistical procedures may be used for detecting outliers [e.g., see Stefansky
(1972), John and Prescott (1975), and Barnett and Lewis (1994)]. Some statistical software packages
report the results of a statistical test for normality (such as the Anderson-Darling test) on the
normal probability plot of residuals. This should be viewed with caution as those tests usually
assume that the data to which they are applied are independent and residuals are not independent.
A rough check for outliers may be made by examining the standardized residuals

Kết quả (Việt) 1:

phương sai (và các thủ tục liên quan như so sánh nhiều) là mạnh mẽ để bình thườnggiả định. Khởi hành từ bình thường thường gây ra cả hai cấp ý nghĩa thật sự và cácsức mạnh khác nhau một chút từ các giá trị được quảng cáo, với sức mạnh nói chung là thấp hơn. Các ngẫu nhiênMô hình ảnh hưởng mà chúng tôi sẽ thảo luận trong phần 3.9 và chương 13 hơn bị ảnh hưởng bởinonnormality.Một lỗi rất phổ biến thường xuất hiện trên bình thường xác suất lô là một dưđó là lớn hơn rất nhiều so với bất kỳ của những người khác. Dư như vậy thường được gọi là một outlier. Cácsự hiện diện của một hoặc nhiều outliers nghiêm trọng có thể bóp méo các phân tích các phương sai, vì vậy, khi mộttiềm năng outlier có vị trí, điều tra cẩn thận được gọi là cho. Thường xuyên, nguyên nhân của cácoutlier là một sai lầm trong tính toán hoặc một dữ liệu mã hóa hoặc sao chép lỗi. Nếu đây không phải là nguyên nhân,Các trường hợp thử nghiệm xung quanh này phải được nghiên cứu cẩn thận. Nếu các xa củaphản ứng là một giá trị đặc biệt hấp dẫn (cường độ cao, chi phí thấp, vv), outlier có thểnhiều thông tin hơn phần còn lại của dữ liệu. Chúng ta cần phải cẩn thận không để từ chối hoặc huỷmột quan sát xa của trừ khi chúng tôi có các căn cứ hợp lý nonstatistical để làm như vậy. Tạitồi tệ nhất, bạn có thể kết thúc với hai phân tích; một với outlier và một mà không có.Một số thủ tục chính thức thống kê có thể được sử dụng để phát hiện outliers [ví dụ:, xem Stefansky(1972), John và Prescott (1975), và Barnett và Lewis (1994)]. Một số gói phần mềm thống kêbáo cáo kết quả của một thử nghiệm thống kê cho bình thường (chẳng hạn như thử nghiệm Anderson-Darling) trên cácxác suất bình thường các âm mưu của dư. Điều này nên được xem cẩn thận như những bài kiểm tra thườnggiả định rằng các dữ liệu mà họ được áp dụng là độc lập và dư không phải là độc lập.Một kiểm tra thô cho outliers có thể được thực hiện bằng cách kiểm tra tiêu chuẩn hóa dư