Нормализация ошибки в регрессионной модели

[_hum_]

В регрессионном анализе многие выводы базируются на том, что аддитивная ошибка в модели регрессии имеет нормальное распределение (взять хотя бы то же тестирование значимости коэффициентов линейной регрессии). Когда это не так, напрашивается процедура "нормализации", наподобие:при одних и тех же факторах проводится несколько экcпериментов , после чего производится усреднение. В результате получается "осредненная модель":

$$\eta^{(j)} = f(x, \theta) + \varepsilon^{(j)} \quad\mapsto\quad n^{-1}\sum_{j=1}^n\eta^{(j)} = f(x, \theta) + n^{-1}\sum_{j=1}^n \varepsilon^{(j)}$$

в которой, в силу ЦПТ, можно надеяться на близость ошибки к нормальной.
Но почему-то я в явном виде такого подхода нигде не увидел. Буду благодарен, если подскажете, в каком направлении копать.

[ozheredov]

Если у вас ошибка аддитивна и не зависит от адаптора, проблем нет и копать тоже некуда

[Евгений Машеров]

Если у Вас есть возможность провести несколько серий экспериментов, то целесообразнее объединить выборки. Если ошибки в сериях независимы, то коэффициенты будут "нормализоваться" сами. Это легко показать, рассмотрев семиинварианты. Кроме того, при увеличении выборки легче обнаружить грубые отклонения от нормальности (выбросы), которые могут сильно исказить результат.