六西格玛统计数据分析关于正态假设的第一个原理：
这个假设一般不应用于原始的未加工的数据，但用于模型的残差或误差项。如公司的总资产（x1）和分期偿还的年数（x2）的基础上，预测收购的商誉（Y），你可能会使用这个标准回归模型：
Y=b0+β1X1+β2X2+ε,式中，ε代表残差或预测误差（模型预测和你实际观测到的差异）；b0 代表常数项；β1，β2代表预测变量X1，X2的系数，在这个模型中，不是对商誉（Y）做正态假设，而是对残差值ε。因此在该情形下衡量正态假设的有效性，不是要衡量商誉的正态性，而是要进行回归分析对残差进行计算，并衡量残差的正态性。这种情况下应该寻求近似正态，而不是完全的正态。原始数据商誉的极端非正态，是残差很可能极端非正态的指示器，这一点成立。不过在很多情况下，原始数据不是近似正态，而残差是。这是因为原始数据包含了X变量的影响，在这里是总资产和分期偿还。。
内容全部来源于网络收集，如有侵权，请联系网站删除！