Tôi đã tự hỏi nếu có ai có thể giúp tôi với thông tin về Kurtosis (tức là có cách nào để chuyển đổi dữ liệu của bạn để giảm dữ liệu không?)
Tôi có một bộ dữ liệu câu hỏi với một số lượng lớn các trường hợp và các biến. Đối với một vài biến số của tôi, dữ liệu cho thấy các giá trị kurtosis khá cao (nghĩa là phân phối leptokurtic) xuất phát từ thực tế là nhiều người tham gia đã cho điểm chính xác cho biến đó. Tôi có cỡ mẫu đặc biệt lớn, vì vậy theo định lý giới hạn trung tâm, vi phạm quy tắc vẫn sẽ ổn.
Tuy nhiên, vấn đề là thực tế là mức độ Kurtosis đặc biệt cao đang tạo ra một số ngoại lệ đơn biến trong tập dữ liệu của tôi. Như vậy, ngay cả khi tôi chuyển đổi dữ liệu hoặc xóa / điều chỉnh các ngoại lệ, mức độ suy giảm cao có nghĩa là các điểm số cực đoan tiếp theo sẽ tự động trở thành ngoại lệ. Tôi nhằm mục đích sử dụng (phân tích chức năng phân biệt đối xử). DFA được cho là mạnh mẽ đối với các chuyến khởi hành từ quy tắc với điều kiện là vi phạm được gây ra bởi sự sai lệch và không phải là ngoại lệ. Hơn nữa, DFA cũng được cho là bị ảnh hưởng đặc biệt bởi các ngoại lệ trong dữ liệu (Tabachnick & Fidel).
Bất kỳ ý tưởng làm thế nào để có được xung quanh này? (Suy nghĩ ban đầu của tôi là một cách nào đó để kiểm soát Kurtosis, nhưng đó không phải là một điều tốt nếu hầu hết các mẫu của tôi đều cho xếp hạng tương tự?)