因变量的正态性=残差的正态性？
这个问题似乎一直在抬头，我出于我对统计（和理智！）的理解而试图将其斩首。 一般线性模型的假设（t检验，ANOVA，回归等）包括“正态性假设”，但我发现很少对此进行清楚地描述。 我经常碰到统计教科书/手册等，只是简单地指出“正态性假设”适用于每个组（即X类分类变量），我们应该检查每个组与正态性的背离。 问题： 假设是指Y 的值还是Y的残差？ 对于特定的组，是否可能具有强烈的Y 值非正态分布（例如，偏斜），但是Y 残差的近似（或更正态分布）呢？ 其他资料表明，该假设与模型的残差有关（在存在组的情况下，例如t检验/ ANOVA），我们应该检查这些残差的正态性偏离（即，只有一个QQ图/检验与跑）。 不残差的正态模型意味着残差的正态群体？换句话说，我们是否应该仅检查模型残差（与许多文本中的说明相反）？ 为了说明这一点，请考虑以下假设示例： 我想比较两个种群（X）之间的树高（Y）。 在一个种群中，Y的分布强烈向右偏斜（即，大多数树短而高的树很少），而另一种实际上是正常的 总体而言，身高在正态分布的人群中较高（建议可能存在“实际”差异）。 数据转换并不能大大改善第一批人口的分布。 首先，比较完全不同的高度分布的组是否有效？ 我在这里如何处理“正常性假设”？一个人群的召回身高不是正态分布。难道我检查残差两个群体单独或残差的模型（t检验）？ 请在答复中按数字提及问题，经验表明我很容易迷路或迷路（尤其是我！）。请记住，我不是统计学家。尽管我对统计数据有一个合理的概念（即非技术性！）理解。 PS，我已经搜索了档案并阅读了以下没有巩固我的理解的主题： 方差分析假设正态性/残差的正态分布 残差与样本数据的正态性；那么t检验呢？ 正常性测试“基本上没有用”吗？ 测试正常性 评估分配的正态性 我使用什么测试来确认残差呈正态分布？ 当Kolmogorov-Smirnov检验对于参数检验的残差很显着但偏度和峰度看起来很正常时，该怎么办？