Questions tagged «qq-plot»

我有一个直方图，内核密度和拟合的正态分布的财务日志收益，它们已转换为损失（符号已更改），以及这些数据的正态QQ图： QQ图清楚地表明尾巴未正确安装。但是，如果我看一下直方图和拟合的正态分布（蓝色），即使0.0左右的值也不能正确拟合。因此，QQ图显示仅尾部未正确拟合，但显然整个分布未正确拟合。为什么这不会显示在QQ图中？

12 data-visualization  normality-assumption  histogram  qq-plot 

尝试根据人口统计和服务计算访问次数。数据非常歪斜。 直方图： qq图（左边是对数）： m <- lm(d$Visits~d$Age+d$Gender+city+service) m <- lm(log(d$Visits)~d$Age+d$Gender+city+service) city和service是因子变量。 对于所有变量，我都得到一个较低的p值***，但是我也得到了.05的一个较低的r平方。我该怎么办？另一个模型可以工作吗，例如指数模型或其他模型？

11 regression  multiple-regression  predictive-models  exponential  qq-plot 

我使用以下代码生成了一个qq图。我知道qq图用于检查数据是否正常分布。我的问题是x和y轴标签在qq图中指示什么，r平方值指示什么？ N = 1200 p = 0.53 q = 1000 obs = np.random.binomial(N, p, size = q)/N import scipy.stats as stats z = (obs-np.mean(obs))/np.std(obs) stats.probplot(z, dist="norm", plot=plt) plt.title("Normal Q-Q plot") plt.show() 我知道已经有关于qq图的讨论，但是尽管进行了讨论，但我无法理解的概念。

11 probability  normal-distribution  mathematical-statistics  descriptive-statistics  qq-plot 

考虑以下代码和输出： par(mfrow=c(3,2)) # generate random data from weibull distribution x = rweibull(20, 8, 2) # Quantile-Quantile Plot for different distributions qqPlot(x, "log-normal") qqPlot(x, "normal") qqPlot(x, "exponential", DB = TRUE) qqPlot(x, "cauchy") qqPlot(x, "weibull") qqPlot(x, "logistic") 看来，对数正态的QQ图与weibull的QQ图几乎相同。我们如何区分它们？此外，如果这些点在两条外部黑色线所定义的区域内，是否表示它们遵循指定的分布？

11 r  data-visualization  interpretation  qq-plot 

这是我的样品的QQ图（注意对数Y轴）；：n=1000n=1000n = 1000 正如whuber所指出的，这表明基础分布是左偏斜的（右尾较短）。 使用R中的shapiro.test（对数转换后的数据），我得到的检验统计和的p值，这意味着我们正式拒绝了零假设在95％置信水平下的。5.172 ⋅ 10 - 13W=0.9718W=0.9718W = 0.97185.172⋅10−135.172⋅10−135.172\cdot10^{-13}H0:the sample is normal distributedH0:the sample is normal distributedH_0 : \text{the sample is normal distributed} 我的问题是：在实践中，假设（对数）正态性是否足够用于进一步分析？特别是，我想使用Cox和Land的近似方法计算相似样本均值的置信区间（在论文中进行描述：Zou，GY，cindy Yan Huo和Taleban，J.（2009）。对数正态平均值及其与环境应用的差异（环境计量学20，172–180）： ci <- function (x) { y <- log(x) n <- length(y) s2 <- var(y) m <- mean(y) + s2 / 2 z …

11 interpretation  lognormal  qq-plot 

作为统计人员和R新手，我一直很难尝试生成纵横比为1：1的qqplots。ggplot2似乎比默认的R绘图包提供了更多的绘图控制，但是我看不到如何在ggplot2中执行qqplot来比较两个数据集。 所以我的问题是，ggplot2等价于什么？ qqplot(datset1,dataset2)

11 r  distributions  ggplot2  qq-plot 

qq图可用于可视化两个分布的相似程度（例如，可视化分布与正态分布的相似性，还可以比较两个人工数据分布）。是否有任何统计数据能够生成更客观的数值度量来表示其相似性（最好以归一化（0 <= x <= 1）形式）？例如，在使用洛伦兹曲线时，基尼系数用于经济学中。QQ图有东西吗？

10 distributions  qq-plot 

在R中，为什么默认设置qqplot(linear model)在y轴上使用标准化残差？为什么R不使用“常规”残差？

9 r  regression  linear-model  residuals  qq-plot 

因此，我进行了16次试验，试图使用汉明距离从生物特征中鉴定一个人。我的阈值设置为3.5。我的数据如下，只有试验1为“真阳性”： Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 0.32 9 0.39 10 0.45 11 0.42 12 0.37 13 0.66 14 0.39 15 0.44 16 0.39 我的困惑是，我真的不确定如何根据此数据制作ROC曲线（FPR与TPR或FAR与FRR）。哪一个都不重要，但是我只是对如何进行计算感到困惑。任何帮助，将不胜感激。

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction