Mi chiedevo se qualcuno potesse aiutarmi con informazioni su Kurtosis (cioè c'è un modo per trasformare i tuoi dati per ridurli?)
Ho un set di dati del questionario con un gran numero di casi e variabili. Per alcune delle mie variabili, i dati mostrano valori di curtosi piuttosto elevati (ovvero una distribuzione leptocurtic) che deriva dal fatto che molti dei partecipanti hanno dato lo stesso punteggio esatto per la variabile. Ho una dimensione del campione particolarmente grande, quindi secondo il teorema del limite centrale, le violazioni della normalità dovrebbero comunque andare bene.
Il problema, tuttavia, è che i livelli particolarmente elevati di Kurtosi stanno producendo una serie di valori anomali univariati nel mio set di dati. Pertanto, anche se trasformo i dati, o rimuovo / adeguo i valori anomali, i livelli elevati di curtosi indicano che i punteggi più estremi successivi diventano automaticamente valori anomali. Mi propongo di utilizzare (analisi delle funzioni discriminanti). Si dice che DFA sia robusto rispetto alle deviazioni dalla normalità, a condizione che la violazione sia causata da asimmetria e non da valori anomali. Inoltre, si dice che DFA sia particolarmente influenzato dai valori anomali nei dati (Tabachnick & Fidel).
Qualche idea su come aggirare questo? (Il mio pensiero iniziale era un modo per controllare la Kurtosi, ma non è una buona cosa se la maggior parte del mio campione sta dando voti simili?)