为何构建线性回归模型需将数据转换为正态分布？

一、为什么必须移除异常值？ #

• 线性回归基于最小二乘法拟合模型，该方法对残差的平方和极度敏感。异常值的残差（真实值与预测值的差）绝对值大，平方后会被放大，直接拉偏回归线的走向，让模型优先拟合极端值而非整体数据的真实规律，最终导致对绝大多数样本的预测失效。
• 异常值会扭曲均值、方差等核心统计量，使得模型的参数估计（比如回归系数）偏离真实值，同时会扩大系数的置信区间，让自变量显著性检验的p值失去参考意义——你可能会错误地认为某个无关变量显著，或者漏掉真正有影响的变量。

二、为什么不能使用高度偏态的分布？ #

• 线性回归的核心假设之一是残差服从正态分布（虽然不强制要求自变量或因变量必须正态，但数据偏态往往会传导至残差）。如果数据高度偏态，残差大概率会偏离正态分布，这会让基于正态假设的统计推断（比如参数显著性检验、预测区间估计）完全不可靠。
• 偏态分布的尾部存在大量极端值，本质上是批量的“潜在异常值”，会持续干扰模型拟合，导致模型对中间多数样本的预测偏差增大，同时方差不稳定（比如右偏数据的方差被大值拉高），进一步放大预测误差。
• 偏态数据会破坏同方差假设（即残差的方差在整个数据范围内保持稳定），而最小二乘法在同方差不满足时，不再是最优无偏估计，参数精度会大幅下降。

三、线性回归为何要求这类预处理？ #

• 线性回归的参数估计依赖最小二乘法，而最小二乘法只有在满足正态性、同方差、独立性这三大假设时，才能得到最优无偏估计（BLUE）。预处理（移除异常值+正态转换）是让数据尽可能贴合这些假设的关键步骤，保证参数估计的准确性和可靠性。
• 统计推断的有效性完全建立在假设成立的基础上。如果不做转换，残差非正态、方差不齐，你得到的p值、置信区间都是无效的，无法准确判断自变量对因变量的影响是否显著。
• 从预测性能角度，处理后的数据更贴合模型的适用场景，模型能更好地捕捉多数样本的规律，预测结果的稳定性和准确性都会显著提升，不会被极端值或偏态分布带偏。

注：如果你的样本量极大（比如超过1000），中心极限定理可能会让残差近似正态，此时对正态转换的要求可以适当放宽，但异常值的影响依然存在，仍需处理。

内容的提问来源于stack exchange，提问作者Pooja Dalwani