A distribuição normal (também conhecida como distribuição gaussiana) é um dos conceitos mais importantes da estatística. Ela nos ajuda a interpretar resultados experimentais em todas as áreas da ciência e também é o pressuposto de diversos modelos estatísticos, como por exemplo os modelos de regressão linear. Alguns métodos estatísticos funcionam direitinho quando existe uma distribuição normal por trás, como por exemplo a regressão linear simples: os intervalos de confiança têm as propriedades que dizem ter, as estimativas dos betas não terão viés, etc. Isso quer dizer que na ausência de normalidade você não deveria usar uma regressão? NÃO! Regressões lineares funcionam bem em muitos contextos, mas se você quiser realizar testes de hipóteses sobre os parâmetros da sua regressão, por exemplo, você pode ter problemas. Além da regressão linear simples, muitos modelos pressupõem direta ou indiretamente anormalidade dos seus dados.
CURSO-R. Testes de normalidade em R – Parte 3: Quando eu devo fazer um teste de normalidade? Disponível em: <https://blog.curso-r.com/posts/2021-02-26-testes-de-normalidade/>. Acesso em: 25 abr. 2023.
A partir dessa explanação acerca da suposição de normalidade nos resíduos, avalie as estatísticas a seguir concernentes a um modelo por MQO que estimou uma função demanda de milho para o Brasil.
- Teste Shapiro-WilkW: 0,98740 p-valor: 0,7220
- Teste Shapiro-FranciaW: 0,98551 p-valor: 0,7431
- Teste Anderson-DarlingW: 0,27720 p-valor: 0,5639
Face o exposto, responda:
- Qual a finalidade dos testes Shapiro-Wilk, Shapiro-Francia e Anderson-Darling? (máximo 2 linhas).
- O que indica os resultados apresentados para os testes Shapiro-Wilk, Shapiro-Francia e Anderson-Darling? (máximo 2 linhas).
- Houve convergência entre os testes apresentados? (máximo 2 linhas).
- Os resíduos possuem uma distribuição normal, de acordo com testes apresentados? (máximo 2 linhas).
