Questions tagged «normality-assumption»

Shapiro-Wilk正常检验与Kolmogorov-Smirnov正常检验有什么区别？这两种方法的结果何时会有所不同？

30 distributions  statistical-significance  normality-assumption  kolmogorov-smirnov 

我认为这是一个引人入胜的话题，但我并不完全理解。物理定律是什么使得那么多自然现象具有正态分布？看起来它们具有统一的分布似乎更加直观。 我很难理解这一点，并且感到缺少一些信息。有人可以为我提供很好的解释或将我链接到书/视频/文章吗？

29 distributions  normal-distribution  normality-assumption  uniform 

我是统计学的新手，需要您的帮助。 我有一个小样本，如下所示： H4U 0.269 0.357 0.2 0.221 0.275 0.277 0.253 0.127 0.246 我使用R运行了Shapiro-Wilk测试： shapiro.test(precisionH4U$H4U) 我得到以下结果： W = 0.9502, p-value = 0.6921 现在，如果我假设在0.05处的显着性水平大于p值，则alpha（0.6921> 0.05），并且我不能拒绝关于正态分布的零假设，但是我是否可以说样本具有正态分布？ 谢谢！

29 r  distributions  interpretation  goodness-of-fit  normality-assumption 

在拟合回归模型时，如果不满足输出的假设，将会发生什么，特别是： 如果残差不均等会怎样？如果残差在残差与拟合图中显示出增加或减少的模式。 如果残差不是正态分布并且未通过Shapiro-Wilk检验，会发生什么？Shapiro-Wilk正态性检验是一个非常严格的检验，有时，即使Normal-QQ图看起来有些合理，数据也无法通过检验。 如果一个或多个预测变量不是正态分布，在正态QQ图上看起来不正确，或者数据未通过Shapiro-Wilk检验，该怎么办？ 我知道没有硬的黑白划分，0.94是正确的，而0.95是错误的，在这个问题上，我想知道： 未能通过正态性意味着对于根据R-Squared值而言非常合适的模型。它变得不那么可靠，还是完全没有用？ 偏差在多大程度上可以接受，或者完全可以接受？ 当对数据应用转换以满足正态性标准时，如果数据更正常（Shapiro-Wilk测试中的P值较高，正常QQ图上的外观更好），或者该模型无用（等效值或比原始版本差），直到数据通过正常性测试？

28 regression  multiple-regression  error  assumptions  normality-assumption 

我刚刚碰到了这篇论文，该论文描述了如何通过混合效应建模来计算测量的可重复性（又称可靠性，又称类内相关性）。R代码为： #fit the model fit = lmer(dv~(1|unit),data=my_data) #obtain the variance estimates vc = VarCorr(fit) residual_var = attr(vc,'sc')^2 intercept_var = attr(vc$id,'stddev')[1]^2 #compute the unadjusted repeatability R = intercept_var/(intercept_var+residual_var) #compute n0, the repeatability adjustment n = as.data.frame(table(my_data$unit)) k = nrow(n) N = sum(n$Freq) n0 = (N-(sum(n$Freq^2)/N))/(k-1) #compute the adjusted repeatability Rn = …

28 mixed-model  reliability  intraclass-correlation  repeatability  spss  factor-analysis  survey  modeling  cross-validation  error  curve-fitting  mediation  correlation  clustering  sampling  machine-learning  probability  classification  metric  r  project-management  optimization  svm  python  dataset  quality-control  checking  clustering  distributions  anova  factor-analysis  exponential  poisson-distribution  generalized-linear-model  deviance  machine-learning  k-nearest-neighbour  r  hypothesis-testing  t-test  r  variance  levenes-test  bayesian  software  bayesian-network  regression  repeated-measures  least-squares  change-scores  variance  chi-squared  variance  nonlinear-regression  regression-coefficients  multiple-comparisons  p-value  r  statistical-significance  excel  sampling  sample  r  distributions  interpretation  goodness-of-fit  normality-assumption  probability  self-study  distributions  references  theory  time-series  clustering  econometrics  binomial  hypothesis-testing  variance  t-test  paired-comparisons  statistical-significance  ab-test  r  references  hypothesis-testing  t-test  normality-assumption  wilcoxon-mann-whitney  central-limit-theorem  t-test  data-visualization  interactive-visualization  goodness-of-fit 

当我使用GAM时，它给了我剩余的DF为（代码的最后一行）。这意味着什么？超越GAM示例，通常，自由度可以是非整数吗？26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees of freedom Residual Deviance: 177.4662 on 26.6 degrees of …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

我了解到，我必须测试原始数据而不是残差的正态性。我应该计算残差然后进行Shapiro-Wilk的W检验吗？ 是残差计算公式为：？Xi−meanXi−meanX_i - \text{mean} 请参阅上一个问题以获取我的数据和设计。

27 normality-assumption  residuals  assumptions 

我的样本大小为6。在这种情况下，使用Kolmogorov-Smirnov检验来检验正态性是否有意义？我使用了SPSS。我的样本量很小，因为获取每个样本都需要时间。如果没有意义，那么最低数量的样本中有多少个是有意义的测试？ 注意： 我做了一些与源代码有关的实验。该样本是在一个版本的软件（版本A）中编码所花费的时间。 实际上，我的样本量为6，这是在另一个版本的软件（版本B）中所编码的时间。 我想使用一样本t检验进行假设检验，以测试在代码版本A中花费的时间与在代码版本B中花费的时间是否不同（这是我的H1）。一次样本t检验的前提是要测试的数据必须正态分布。这就是为什么我需要测试正常性。

26 hypothesis-testing  normality-assumption  kolmogorov-smirnov  power 

我在一些文献中已经读过，Shapiro-Wilk检验被认为是最好的正态性检验，因为对于给定的显着性水平，如果无效假设被否定，则拒绝原假设的概率高于其他假设。正常性测试。αα\alpha 您能否在可能的情况下使用数学参数向我解释，与其他一些正态性检验（例如安德森–达林检验）相比，它的工作原理如何？

24 hypothesis-testing  normal-distribution  normality-assumption 

我已经读过，当样本的分布偏离正态分布时，t检验是“合理可靠的”。当然，重要的是差异的抽样分布。我有两组数据。这些组之一在因变量上有很大的偏差。两组的样本量都非常小（一组中n = 33，另一组中n = 45）。我是否应该假设在这些条件下，我的t检验对于违反正态性假设会很可靠？

24 t-test  assumptions  normality-assumption  robust 

我用重复测量方差分析分析了一个实验。方差分析是3x2x2x2x3，其中2个对象间因子，3个以内（N = 189）。错误率是因变量。错误率分布的偏斜为3.64，峰度为15.75。偏斜和峰度是90％的错误率表示为0的结果。在这里阅读一些以前的有关正常性测试的线程会使我有些困惑。我认为，如果您拥有的数据不是正态分布的，则尽可能对它进行最佳转换，但是似乎很多人认为使用ANOVA或T检验分析非正态数据是可以接受的。我可以相信方差分析的结果吗？ （仅供参考，将来我打算使用二项分布的混合模型在R中分析此类数据）

22 anova  normality-assumption 

我已经采样了一个真实的过程，即网络ping时间。“往返时间”以毫秒为单位。结果绘制在直方图中： Ping时间具有最小值，但尾巴较长。 我想知道这是什么统计分布，以及如何估算其参数。 即使该分布不是正态分布，我仍然可以显示我要实现的目标。 正态分布使用以下功能： 有两个参数 μ（平均值） σ 2 （方差） 参数估计 估算两个参数的公式为： 将这些公式应用于Excel中的数据，我得到： μ= 10.9558（平均值） σ 2 = 67.4578（方差） 使用这些参数，我可以在采样数据上方绘制“ 正态 ”分布： 显然，这不是正态分布。正态分布具有无限的顶部和底部尾部，并且是对称的。这种分布是不对称的。 我将采用什么原则？我将采用哪种流程图来确定这是哪种分布？ 假设分布没有负尾巴，而有长正尾巴：什么分布与之匹配？ 是否有与您所观察到的分布相匹配的参考？ 紧追其后，此分布的公式是什么，以及估算其参数的公式是什么？ 我想要获得分布，以便获得“平均”值以及“价差”： 我实际上是在软件中绘制直方图，我想覆盖理论分布： 注意：从math.stackexchange.com交叉发布 更新：160,000个样本 一个月又一个月，以及不计其数的抽样会议，都给出了相同的分布。有必须是一个数学表达式。 哈维建议将数据放在对数刻度上。这是对数刻度上的概率密度： 标签：抽样，统计，参数估计，正态分布 这不是答案，而是问题的附录。这是分配桶。我认为，喜欢冒险的人可能希望将其粘贴到Excel（或您知道的任何程序）中，并可以发现其分布。 值已标准化 Time Value 53.5 1.86885613545469E-5 54.5 0.00396197500716395 55.5 0.0299702228922418 56.5 0.0506460012708222 57.5 0.0625879919763777 58.5 0.069683415770654 …

22 distributions  sample-size  sample  normality-assumption  distribution-identification 

我对线性回归的假设有些困惑。 到目前为止，我检查了是否： 所有的解释变量都与响应变量线性相关。（就是这种情况） 解释变量之间存在共线性。（几乎没有共线性）。 我模型的数据点的库克距离小于1（这种情况是，所有距离都小于0.4，因此没有影响点）。 残差是正态分布的。（事实并非如此） 但是我然后阅读以下内容： 经常会因为（a）因变量和/或自变量的分布本身显着为非正态分布，和/或（b）违反线性假设而引起违反正态性的情况。 问题1 听起来好像自变量和因变量需要按正态分布，但据我所知并非如此。我的因变量以及我的一个自变量都不是正态分布的。应该是吗？ 问题2 我的残差的QQ正态图如下所示： 这与正态分布略有不同，并且shapiro.test也拒绝了残差来自正态分布的原假设： > shapiro.test(residuals(lmresult)) W = 0.9171, p-value = 3.618e-06 残差与拟合值看起来像： 如果我的残差不是正态分布，该怎么办？这是否意味着线性模型完全没有用？

22 linear-model  residuals  assumptions  normality-assumption 

到目前为止，我一直在使用Shapiro-Wilk统计量来检验小样本中的正态性假设。 您能推荐另一种方法吗？

22 hypothesis-testing  goodness-of-fit  normality-assumption  small-sample 

执行主成分分析（PCA）之后，我想将一个新向量投影到PCA空间上（即在PCA坐标系中找到其坐标）。 我已经使用R计算了R语言的PCA prcomp。现在，我应该可以将向量乘以PCA旋转矩阵。该矩阵中的主要成分应该按行还是按列排列？

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial