অবশিষ্টাংশের স্বাভাবিকতার জন্য কোনও পরীক্ষার উপর নির্ভর করার পরিবর্তে যৌক্তিক রায় দিয়ে স্বাভাবিকতাটি মূল্যায়নের চেষ্টা করুন। সাধারণতা পরীক্ষা আপনাকে জানায় না যে আপনার ডেটা স্বাভাবিক, কেবল এটিই নয়। কিন্তু প্রদত্ত যে ডেটা একটি নমুনা আপনি যথেষ্ট নিশ্চিত হতে পারেন যে তারা আসলে পরীক্ষা ছাড়াই স্বাভাবিক নয়। প্রয়োজনীয়তা প্রায় স্বাভাবিক। পরীক্ষা আপনাকে এটি বলতে পারে না। টেস্টগুলি বৃহত্তর এন বা আরও গুরুতরভাবে সংবেদনশীল হয়ে ওঠে, এন এর সাথে সংবেদনশীলতায় পরিবর্তিত হয় Your আপনার এন সেই সীমার মধ্যে যেখানে সংবেদনশীলতা উচ্চতর হতে শুরু করে। যদি আপনি নীচে সিমুলেশনটি বেশ কয়েকবার চালিয়ে যান এবং প্লটগুলি দেখুন তবে আপনি দেখতে পাবেন যে স্বাভাবিকতা পরীক্ষা খুব ভাল সংখ্যক সাধারণ বিতরণের জন্য "স্বাভাবিক নয়" বলছে।
# set the plot area to show two plots side by side (make the window wide)
par(mfrow = c(1, 2))
n <- 158 # use the N we're concerned about
# Run this a few times to get an idea of what data from a
# normal distribution should look like.
# especially note how variable the histograms look
y <- rnorm(n) # n numbers from normal distribution
# view the distribution
hist(y)
qqnorm(y);qqline(y)
# run this section several times to get an idea what data from a normal
# distribution that fails the normality test looks like
# the following code block generates random normal distributions until one
# fails a normality test
p <- 1 # set p to a dummy value to start with
while(p >= 0.05) {
y <- rnorm(n)
p <- shapiro.test(y)$p.value }
# view the distribution that failed
hist(y)
qqnorm(y);qqline(y)
আশা করা যায়, সিমুলেশনগুলি দেখার পরে আপনি দেখতে পাচ্ছেন যে একটি স্বাভাবিকতা পরীক্ষা খুব সহজেই দেখতে খুব সহজে দেখা যায় এবং এটি একটি সাধারণ বিতরণ থেকে প্রাপ্ত ডেটা স্বাভাবিক থেকে বেশ দূরে দেখতে পারে। আপনি যদি এই চেষ্টার একটি চূড়ান্ত মান দেখতে চান n <- 1000। ডিস্ট্রিবিউশনগুলি সমস্ত স্বাভাবিক দেখায় তবে তবুও নিম্ন এন মান হিসাবে প্রায় একই হারে পরীক্ষায় ব্যর্থ হয়। এবং বিপরীতে, একটি কম এন বিতরণ যা পরীক্ষায় উত্তীর্ণ হয় সাধারণ থেকে খুব দূরে দেখতে পারে।
এসপিএসএসের স্ট্যান্ডার্ড রেসিডুয়াল প্লট স্বাভাবিকতা নির্ধারণের জন্য মারাত্মকভাবে কার্যকর নয়। আপনি আউটলিয়ারগুলি, পরিসীমা, ফিটের ধার্মিকতা এবং সম্ভবত লাভও দেখতে পারেন। তবে স্বাভাবিকতা থেকে এটি পাওয়া কঠিন। হিস্টোগ্রাম, কোয়ান্টাইল-কোয়ান্টাইল সাধারণ প্লট এবং অবশিষ্ট প্লটের তুলনা করে নিম্নলিখিত সিমুলেশনটি ব্যবহার করে দেখুন।
par(mfrow = c(1, 3)) # making 3 graphs in a row now
y <- rnorm(n)
hist(y)
qqnorm(y); qqline(y)
plot(y); abline(h = 0)
গত চক্রান্ত থেকে স্বাভাবিকতা বা আরও অনেক কিছুই বলা অসম্ভব কঠিন এবং তাই স্বাভাবিকতার ভয়াবহ ডায়াগনস্টিক নয়।
সংক্ষেপে, এটি সাধারণত স্বাভাবিকতা পরীক্ষার উপর নির্ভর না করে বরং অবশিষ্টাংশের ডায়াগনস্টিক প্লটগুলিতে নির্ভর করার পরামর্শ দেওয়া হয়। আপনার প্লটের এই প্লটগুলি বা আসল মান ব্যতীত বিশ্লেষণ বা রূপান্তরের ক্ষেত্রে আপনার ডেটা কী প্রয়োজন সে সম্পর্কে আপনাকে দৃ solid় পরামর্শ দেওয়া কারও পক্ষে পক্ষে খুব কঠিন। সর্বোত্তম সহায়তা পেতে, কাঁচা ডেটা সরবরাহ করুন।