Modelos estadísticos lineales aplicados por Kutner et al. establece lo siguiente con respecto a las desviaciones del supuesto de normalidad de los modelos ANOVA: La curtosis de la distribución del error (más o menos pico que una distribución normal) es más importante que el sesgo de la distribución en términos de los efectos sobre las inferencias .
Estoy un poco desconcertado por esta declaración y no pude encontrar ninguna información relacionada, ya sea en el libro o en línea. Estoy confundido porque también aprendí que los gráficos QQ con colas pesadas son una indicación de que la suposición de normalidad es "lo suficientemente buena" para los modelos de regresión lineal, mientras que los gráficos QQ sesgados son más preocupantes (es decir, una transformación podría ser apropiada) .
¿Estoy en lo cierto al decir que ANOVA tiene el mismo razonamiento y que su elección de palabras ( más importante en términos de los efectos sobre las inferencias ) se eligió mal? Es decir, una distribución sesgada tiene consecuencias más graves y debe evitarse, mientras que una pequeña cantidad de curtosis puede ser aceptable.
EDITAR: Según lo dirigido por rolando2, es difícil decir que uno es más importante que el otro en todos los casos, pero simplemente estoy buscando una idea general. Mi problema principal es que me enseñaron que en la regresión lineal simple, los gráficos QQ con colas más pesadas (¿curtosis?) Están bien, ya que la prueba F es bastante robusta en contra de esto. Por otro lado, las parcelas QQ sesgadas (en forma de parábola) suelen ser una preocupación mayor. Esto parece ir directamente en contra de las pautas que mi libro de texto proporciona para ANOVA, a pesar de que los modelos ANOVA pueden convertirse en modelos de regresión y deben tener los mismos supuestos.
Estoy convencido de que estoy pasando por alto algo o tengo una suposición falsa, pero no puedo entender qué podría ser.