Marcelo,
Neste caso, verificando a análise gráfica, não acho que a normalidade foi um problema. Consideraria o gráfico robusto o suficiente para assumir que a maioria dos dados tiveram tendência de normalidade. Portanto, justificaria a não transformação.
No entanto, a homocedasticidade foi um problema. Talvez este seja o pressuposto mais importante nesta análise. Analisando os testes de Bartlett e Levene, além da análise gráfica, diria que seus dados não foram homocedasticos. Sendo assim, a estatística paramétrica não seria a melhor forma de avaliação.
On 02/03/19 at 01:57, Gilson Geraldo Soares de Oliveira Júnior wrote:
> Após o plot clique em algum botao, dentro da interface do R, para surgirem
> 4 gráficos. Os dois primeiros são homocedasticidade e normalidade. Faça a
> análise gráfica e verifique a dispersao dos pontos entorno da "reta" de
> normalidade.
>
Gilson,
Eu fiz essa verificação (gráficos em anexo).
Há três observações que estão "fora".
Eu utilizei o pacote bestNormalize e ele informa que a melhora transformação
seria Log_b(x+a)[1]. Mas, eu não queria transformar os dados só por esses três
outliers.
1. https://rdrr.io/cran/bestNormalize/man/log_x.html
Uma vez que se trata de uma tese, preciso de argumentos para justificar a não
transformação.
Por outro lado, se, de fato, os dados necessitarem de transformação, terei que
fazer. E neste caso, o output do bestNormalize informa que o melhor é
lob_b(x+a) e o segundo melhor é Yeo-Johnson[2].
2. https://rdrr.io/cran/bestNormalize/man/yeojohnson.html
Qualquer sugestão será muito bem vinda!
Obrigado!
--
Marcelo