WikiDer > Тест на нормальность

Normality test

В статистика, тесты на нормальность используются, чтобы определить, набор данных хорошо смоделирован нормальное распределение и вычислить, насколько вероятно случайная переменная лежащий в основе набора данных для нормального распределения.

Точнее, тесты - это форма выбор модели, и может интерпретироваться по-разному, в зависимости от интерпретации вероятности:

Тест на нормальность используется, чтобы определить, были ли данные выборки взяты из нормально распределенной совокупности (в пределах некоторого допуска). Для ряда статистических тестов, таких как t-критерий Стьюдента и односторонний и двусторонний дисперсионный анализ, требуется нормально распределенная выборочная совокупность.


Графические методы

Неформальный подход к проверке нормальности заключается в сравнении гистограмма данных выборки к нормальной кривой вероятности. Эмпирическое распределение данных (гистограмма) должно иметь форму колокола и напоминать нормальное распределение. Это может быть трудно увидеть, если образец небольшой. В этом случае можно было бы продолжить, сравнив данные с квантили нормального распределения с тем же средним значением и дисперсией, что и выборка. Отсутствие соответствия линии регрессии предполагает отклонение от нормы (см. Коэффициент Андерсона-Дарлинга и minitab).

Графический инструмент для оценки нормальности - это график нормальной вероятности, а квантильно-квантильный график (График QQ) стандартизованных данных против стандартное нормальное распределение. Здесь корреляция Между выборочными данными и нормальными квантилями (мера согласия) измеряет, насколько хорошо данные моделируются нормальным распределением. Для нормальных данных точки на графике QQ должны лежать примерно на прямой линии, что указывает на высокую положительную корреляцию. Эти графики легко интерпретировать, а также имеют то преимущество, что легко выявляются выбросы.

Тест на обратной стороне конверта

Простой обратная сторона конверта тест принимает максимум и минимум выборки и вычисляет их z-оценка, или точнее t-статистика(количество стандартных отклонений выборки, при которых выборка находится выше или ниже выборочного среднего), и сравнивает его с 68–95–99.7 правило: если у одного есть 3σ событие (собственно, 3s событие) и существенно менее 300 образцов, или 4s событие и существенно меньше 15 000 выборок, то нормальное распределение будет занижать максимальную величину отклонений в данных выборки.

Этот тест полезен в случаях, когда человек сталкивается с риск эксцесса - там, где большие отклонения имеют значение - и имеет преимущества, заключающиеся в том, что его очень легко вычислить и передать: лица, не являющиеся статистиками, могут легко понять, что "6σ события очень редки в нормальных распределениях ".

Частотные тесты

Тесты одномерной нормальности включают следующее:

В исследовании 2011 г. делается вывод, что у Шапиро-Уилка лучший мощность для данного значения, за которым следует Андерсон – Дарлинг при сравнении тестов Шапиро – Уилка, Колмогорова – Смирнова, Лиллиефорса и Андерсона – Дарлинга.[1]

Некоторые опубликованные работы рекомендуют тест Жарка – Бера,[2][3] но у теста есть слабость. В частности, тест имеет низкую мощность для распределений с короткими хвостами, особенно для бимодальных распределений.[4] Некоторые авторы отказались включить его результаты в свои исследования из-за его плохой общей эффективности.[5]

Исторически сложилось так, что третий и четвертый стандартизированные моменты (перекос и эксцесс) были одними из первых тестов на нормальность. В Тест Лин-Мудхолкара специально нацелен на асимметричные альтернативы.[6] В Тест Жарка – Бера сам получен из перекос и эксцесс оценки. Тесты на многомерную асимметрию и эксцесс Мардии обобщить моментальные тесты на многомерный случай.[7] Другое раннее статистика тестов включить соотношение среднее абсолютное отклонение к стандартному отклонению и диапазона к стандартному отклонению.[8]

Более поздние тесты на нормальность включают энергетический тест[9] (Секели и Риццо) и тесты на основе эмпирическая характеристическая функция (ECF) (например, Epps and Pulley,[10] Хенце-Цирклер,[11] BHEP тест[12]). Энергетические тесты и тесты ECF являются мощными тестами, которые применяются для одномерных или многомерная нормальность и статистически совместимы с общими альтернативами.

Нормальное распределение имеет высшая энтропия любого распределения для данного стандартного отклонения. Существует ряд тестов на нормальность, основанных на этом свойстве, первый из которых принадлежит Васичеку.[13]

Байесовские тесты

Расхождения Кульбака – Лейблера между всеми апостериорными распределениями наклона и дисперсии не указывают на ненормальность. Однако соотношение ожиданий этих апостериорных и ожидаемых соотношений дает результаты, аналогичные статистике Шапиро-Уилка, за исключением очень маленьких выборок, когда используются неинформативные априорные значения.[14]

Spiegelhalter предлагает использовать Фактор Байеса для сравнения нормальности с другим классом распределительных альтернатив.[15] Этот подход был расширен Фарреллом и Роджерсом-Стюартом.[16]

Приложения

Одно из применений тестов нормальности - остатки из линейная регрессия модель.[17] Если они не распределены нормально, остатки не следует использовать в тестах Z или в любых других тестах, полученных из нормального распределения, таких как t тесты, F тесты и критерии хи-квадрат. Если остатки не распределяются нормально, то зависимая переменная или хотя бы одна объясняющая переменная могут иметь неправильную функциональную форму, или важные переменные могут отсутствовать и т. д. Исправление одной или нескольких из этих систематических ошибок может привести к нормальному распределению остатков.[нужна цитата]

Смотрите также

Примечания

  1. ^ Разали, Норнадия; Вау, Яп Би (2011). «Силовые сравнения тестов Шапиро – Уилка, Колмогорова – Смирнова, Лиллиэфорса и Андерсона – Дарлинга» (PDF). Журнал статистического моделирования и аналитики. 2 (1): 21–33. Архивировано из оригинал (PDF) на 30.06.2015.
  2. ^ Судья, Джордж Г .; Griffiths, W. E .; Хилл, Р. Картер; Люткеполь, Гельмут; Ли, Т. (1988). Введение в теорию и практику эконометрики (Второе изд.). Вайли. С. 890–892. ISBN 978-0-471-08277-4.
  3. ^ Гуджарати, Дамодар Н. (2002). Базовая эконометрика (Четвертое изд.). Макгроу Хилл. С. 147–148. ISBN 978-0-07-123017-9.
  4. ^ Тадевальд, Торстен; Бюнинг, Герберт (1 января 2007 г.). «Тест Жарка – Бера и его конкуренты для проверки нормальности - сравнение мощности». Журнал прикладной статистики. 34 (1): 87–105. CiteSeerX 10.1.1.507.1186. Дои:10.1080/02664760600994539.
  5. ^ Сюрюджю, Барыш (1 сентября 2008 г.). «Сравнение мощности и моделирование тестов согласия». Компьютеры и математика с приложениями. 56 (6): 1617–1625. Дои:10.1016 / j.camwa.2008.03.010.
  6. ^ Lin, C.C .; Мудхолкар, Г. С. (1980). «Простой тест на нормальность против асимметричных альтернатив». Биометрика. 67 (2): 455–461. Дои:10.1093 / biomet / 67.2.455. Получено 15 ноя 2015.
  7. ^ Мардиа, К. В. (1970). Меры многомерной асимметрии и эксцесса с приложениями. Биометрика 57, 519–530.
  8. ^ Филлибен, Дж. Дж. (Февраль 1975 г.). «Тест коэффициента корреляции вероятностного графика на нормальность». Технометрика. 17 (1): 111–117. Дои:10.2307/1268008. JSTOR 1268008.
  9. ^ Секели, Г. Дж. И Риццо, М. Л. (2005) Новый тест на многомерную нормальность, Журнал многомерного анализа 93, 58–80.
  10. ^ Эппс, Т. В., и Пулли, Л. Б. (1983). Тест на нормальность, основанный на эмпирической характеристической функции. Биометрика 70, 723–726.
  11. ^ Хенце, Н., и Цирклер, Б. (1990). Класс инвариантных и непротиворечивых тестов на многомерную нормальность. Коммуникации в статистике - теория и методы 19, 3595–3617.
  12. ^ Хенце, Н., и Вагнер, Т. (1997). Новый подход к тестам BHEP на многомерную нормальность. Журнал многомерного анализа 62, 1–23.
  13. ^ Васичек, Олдрих (1976). «Тест на нормальность, основанный на выборочной энтропии». Журнал Королевского статистического общества. Серия Б (Методологическая). 38 (1): 54–59. JSTOR 2984828.
  14. ^ Янг К. Д. С. (1993), "Байесовская диагностика для проверки предположений о нормальности". Журнал статистических вычислений и моделирования, 47 (3–4),167–180
  15. ^ Шпигельхальтер, Д.Дж. (1980). Комплексный тест на нормальность для небольших выборок. Биометрика, 67, 493–496. Дои:10.1093 / biomet / 67.2.493
  16. ^ Фаррелл П.Дж., Роджерс-Стюарт К. (2006) «Комплексное исследование тестов на нормальность и симметрию: расширение теста Шпигельхальтера». Журнал статистических вычислений и моделирования, 76(9), 803 – 816. Дои:10.1080/10629360500109023
  17. ^ Портни, Л. И Уоткинс, М. (2000). Основы клинических исследований: приложения к практике. Нью-Джерси: Здоровье Прентис Холл. С. 516–517. ISBN 0838526950.CS1 maint: несколько имен: список авторов (связь)

дальнейшее чтение

  • Ральф Б. Д'Агостино (1986). «Тесты на нормальное распределение». In D'Agostino, R.B .; Стивенс, М.А. (ред.). Методы соответствия. Нью-Йорк: Марсель Деккер. ISBN 978-0-8247-7487-5.