该网站上有几篇文章讨论了在解释线性回归的 p.value 的含义时需要正态性。但我认为关于如何处理非正常数据集的说法并不多。在这篇文章中，当分布是长尾时，他们给出了一些解决方案。

我正在处理我的残差（和我的因变量）具有多峰分布（如以下核密度图所示）并采用离散值（如其他图中所示）的情况。我的模型将“FP”作为因变量以及“设计复杂性”和“样本大小”。

在下图中，每个点和胡须代表 20 个点。我强烈期望会产生“设计复杂性”的影响，但不知道“样本大小”是否会产生影响。因为我不能拒绝“样本大小”和“设计复杂性”之间可能存在交互的可能性，所以我观察到了两者。

这是该模型的 R 代码。

summary(aov(FP~Obs.size*Design.Complexity, data=data.and.factors))

但我的残差绝对不是正态分布的：

注意：以下所有图表均以核密度和常规 xy 图的形式呈现

plot(density(residuals(aov(data.and.factors$FP~data.and.factors$Design.Complexity*data.and.factors$Obs.size))))

我的因变量也不是正态分布的，它的分布从一个“设计复杂性”值变为另一个（见下文）

FP的分布

设计复杂度的 FP 分布等于 1、2、3、4、5 和 6。

如何获得信任的 p.values ？