数据非正态性的表现根据我个人的经验和理解，数据非正态性有以下几个原因:数据应该不是正态的，比如在可靠性研究中，数据基本服从指数分布或者韦伯分布；在设备维修中，它也不服从正态分布；一个城市不可能正态分布；人均可支配收入也严重向右侧分配；在客户满意度调查中，如果打分的话，一般会重点看分数，分数是被截断的，不可能大于分数，所以不可能正常,1，原文数据no平稳可以建立VAR模型,但是有些数据可能转换不成功，比如数据数据分辨率很低，比如数据带有类似客户满意度调查的截断，所以可以用非参数检验进行分析。
数据异常是很常见的问题。很多人一旦发现数据异常，第一反应往往是寻求变换，常见的就是Box-Cox变换。如果不行，直接去找非参数。我的意见是等一段时间，找出异常的原因。数据非正态性的表现根据我个人的经验和理解，数据非正态性有以下几个原因:数据应该不是正态的，比如在可靠性研究中，数据基本服从指数分布或者韦伯分布；在设备维修中，它也不服从正态分布；一个城市不可能正态分布；人均可支配收入也严重向右侧分配；在客户满意度调查中，如果打分的话，一般会重点看分数，分数是被截断的，不可能大于分数，所以不可能正常。如果明确知道样本数据所代表的总体不是正态分布，可以考虑求变换，通常可以找到合适的变换参数。但是有些数据可能转换不成功，比如数据 数据分辨率很低，比如数据带有类似客户满意度调查的截断，所以可以用非参数检验进行分析。
2、VAR模型 平稳性及协整检验???怎么办1，原文数据 no 平稳可以建立VAR模型。2.我觉得来源数据是用来建立VAR模型的，因为差额剔除了变量的长期经济信息，此时只能分析变量之间的短期因果关系。3.协整检验是判断两个或两个以上趋势相同的序列之间是否存在长期均衡关系，这种检验的目的是防止虚假回归，建议进行Jj检验，但需要选择最优滞后期(与VAR的最优滞后期一致)。4.如果你的三个变量确实存在协整关系，你可以建立一个VAR模型和一个误差修正模型，可以用来预测，但是VAR模型不是平稳，所以不能做脉冲分析和方差分解。个人观点，仅供参考。
