數據非正態(tài)性的表現根據我個人的經驗和理解，數據非正態(tài)性有以下幾個原因:數據應該不是正態(tài)的，比如在可靠性研究中，數據基本服從指數分布或者韋伯分布；在設備維修中，它也不服從正態(tài)分布；一個城市不可能正態(tài)分布；人均可支配收入也嚴重向右側分配；在客戶滿意度調查中，如果打分的話，一般會重點看分數，分數是被截斷的，不可能大于分數，所以不可能正常,1，原文數據no平穩(wěn)可以建立VAR模型,但是有些數據可能轉換不成功，比如數據數據分辨率很低，比如數據帶有類似客戶滿意度調查的截斷，所以可以用非參數檢驗進行分析。
數據異常是很常見的問題。很多人一旦發(fā)現數據異常，第一反應往往是尋求變換，常見的就是Box-Cox變換。如果不行，直接去找非參數。我的意見是等一段時間，找出異常的原因。數據非正態(tài)性的表現根據我個人的經驗和理解，數據非正態(tài)性有以下幾個原因:數據應該不是正態(tài)的，比如在可靠性研究中，數據基本服從指數分布或者韋伯分布；在設備維修中，它也不服從正態(tài)分布；一個城市不可能正態(tài)分布；人均可支配收入也嚴重向右側分配；在客戶滿意度調查中，如果打分的話，一般會重點看分數，分數是被截斷的，不可能大于分數，所以不可能正常。如果明確知道樣本數據所代表的總體不是正態(tài)分布，可以考慮求變換，通常可以找到合適的變換參數。但是有些數據可能轉換不成功，比如數據 數據分辨率很低，比如數據帶有類似客戶滿意度調查的截斷，所以可以用非參數檢驗進行分析。
2、VAR模型 平穩(wěn)性及協(xié)整檢驗???怎么辦1，原文數據 no 平穩(wěn)可以建立VAR模型。2.我覺得來源數據是用來建立VAR模型的，因為差額剔除了變量的長期經濟信息，此時只能分析變量之間的短期因果關系。3.協(xié)整檢驗是判斷兩個或兩個以上趨勢相同的序列之間是否存在長期均衡關系，這種檢驗的目的是防止虛假回歸，建議進行Jj檢驗，但需要選擇最優(yōu)滯后期(與VAR的最優(yōu)滯后期一致)。4.如果你的三個變量確實存在協(xié)整關系，你可以建立一個VAR模型和一個誤差修正模型，可以用來預測，但是VAR模型不是平穩(wěn)，所以不能做脈沖分析和方差分解。個人觀點，僅供參考。
