正态性检验方法汇总

本文详细介绍了统计学中正态性检验的常用方法,包括图示法(如P-P图、Q-Q图)、偏度/峰度检验、非参数检验(如Kolmogorov-Smirnov、Shapiro-Wilk、AD和CVM检验),以及如何在R语言中使用相关函数进行检验。
摘要由CSDN通过智能技术生成

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一|统计学|干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项,参与研究经费10w、40w级横向

该篇文章主要介绍了统计检验中正态性检验的常用方法理论,包括图示法、偏度/峰度检验法、非参数检验方法,同时附相关R语言程序进行正态性检验的常用函数。

1 图示法

   ①P-P图

   以样本的累计频率作为横坐标,以按照正态分布计算的相应累计概率纵坐标,以样本值表现为直角坐标系的散点。如果数据服从正态分布,则样本点应围绕第一象限的对角线分布。

   ②Q-Q图

   以样本的分位数作为横坐标,以按照正态分布计算的相应累计概率作为纵坐标,把样本表现为直角坐标系的散点。如果数据服从正态分布,则样本点应围绕第一象限的对角线分布。

​    ③直方图

   判断样本直方图是否以钟型分布,同时可以选择输出正态性曲线。

   ④箱线图

   通过观察矩形位置和中位数,若矩形位于中间位置,且中位数位于矩形的中间位置,则分布较为均匀,否则是偏态数据。

   ⑤茎叶图

   通过观察图形的分布状态,是否对称分布。

2 偏度、峰度检验法

  ①偏度、峰度系数分布性质

  样本k阶中心距:

b k = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) k b_k=\frac{1}{n-1}\sum_{i=1}^n (x_i-\bar{x})^k bk=n11i=1n(xixˉ)k

  样本偏度系数:

r 1 = b 3 b 2 2 3 r_1=\frac{b_3}{b_2^{\frac{2}{3}}} r1=b232b3

  该系数用于检验样本对称性,当 r 1 = 0 r_1=0 r1=0时,分布是对称的;当 r 1 > 0 r_1>0 r1>0时,呈正偏态;当 r 1 < 0 r_1<0 r1<0时,呈负偏态。

  样本峰度系数:

r 1 = b 4 b 2 2 − 3 r_1=\frac{b_4}{b_2^2}-3 r1=b22b43

  该系数用于检验样本峰态,当 r 2 = 0 r_2=0 r2=0时,分布是正态分布;当 r 2 > 0 r_2>0 r2>0时,呈尖峰分布;当 r 2 < 0 r_2<0 r2<0时,呈扁平分布。

  考虑原假设 H 0 : F ( x ) H_0:F(x) H0:F(x)服从正态分布:备择假设 H 1 : F ( x ) H_1:F(x) H1:F(x)不服从正态分布。

  当原假设为真时,检验统计量:

r 1 6 n   ∼ N ( 0 , 1 ) \frac{r_1}{\sqrt{\frac{6}{n}}}~\sim N(0,1) n6 r1 N(0,1) r 2 24 n   ∼ N ( 0 , 1 ) \frac{r_2}{\sqrt{\frac{24}{n}}}~\sim N(0,1) n24 r2 N(0,1)

  在显著性水平为 α \alpha α时,若满足 ∣ r 1 6 / n ∣ > Z 1 − α / 2 |\frac{r_1}{\sqrt{6/n}}|>Z_{1-\alpha/2} 6/n r1>Z1α/2 ∣ r 2 24 / n ∣ > Z 1 − α / 2 |\frac{r_2}{\sqrt{24/n}}|>Z_{1-\alpha/2} 24/n r2>Z1α/2,则拒绝原假设。

  ②偏度、峰度联合分布检验法(Jarque-Bera检验)

  检验统计量:

J B = r 1 2 6 / n + ( r 2 − 3 ) 24 / n   ∼ χ ( 2 ) JB=\frac{r_1^2}{6/n}+\frac{(r_2-3)}{24/n}~\sim \chi(2) JB=6/nr12+24/n(r23) χ(2)

  当JB统计量的P值小于显著性水平 α \alpha α时,则拒绝正态性分布的原假设。

3 非参数检验方法

  ①Kolmogorov-Smirnor检验(KS)

  KS检验基于经验分布函数,该检验用大样本近似。该检验方法为比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法。其原假设 H 0 H_0 H0两个数据分布一致或者数据符合理论分布。统计量:

D n = s u p x ∣ F n ( x ) − F ( x ) ∣ D_n=\underset{x}{sup}|F_n(x)-F(x)| Dn=xsupFn(x)F(x)

  当实际观测值 D n > D ( n , α ) D_n>D(n,\alpha) Dn>D(n,α)则拒绝 H 0 H_0 H0,否则则接受 H 0 H_0 H0假设。

  需要注意的是样本数据如果有结点(及是重复的数据),则无法计算准确的P值。

  ②Lilliefors检验(K-S检验的修正)

  当总体均值和方差未知时,用样本的均值和方差代替后,再用K-S检验法。

原假设 H 0 : F ( x ) 服从正态分布 ; 备择假设 H 1 : F ( x ) 不服从正态分布。 原假设H_0:F(x)服从正态分布;备择假设H1:F(x)不服从正态分布。 原假设H0:F(x)服从正态分布;备择假设H1F(x)不服从正态分布。

  ③Shapiro-Wilk检验(Shapiro)

  W 检验全称 Shapiro-Wilk 检验,是一种基于相关性的算法。计算可得到一个相关系数,它越接近 1 就越表明数据和正态分布拟合得越好。

  W检验统计量:

W = ( ∑ i = 1 n a i x i ) 2 ∑ i = 1 n ( x i − x ˉ ) 2 W=\frac{(\sum_{i=1}^na_ix_i)^2}{\sum_{i=1}^n(x_i-\bar{x})^2} W=i=1n(xixˉ)2(i=1naixi)2

  其中 x ( x 1 ) < x ( x 2 ) < … < x ( n ) x_{(x_1)}<x_{(x_2)<\dots<x_(n)} x(x1)<x(x2)<x(n)

( a 1 , a 2 , … , a n ) = m T V − 1 ( m T V − 1 V − 1 m T ) 1 2 (a_1,a_2,\dots,a_n)=\frac{m^TV^{-1}}{(m^TV^{-1}V^{-1}m^T)^{\frac{1}{2}}} (a1,a2,,an)=(mTV1V1mT)21mTV1;

m = ( m 1 , m 2 , … , m n ) m=(m_1,m_2,\dots,m_n) m=(m1,m2,,mn)是样本顺序统计量的样本均值,V是样本。

  若 W > W α W>W_{\alpha} W>Wα,则接受正态性假设。

  ④ χ 2 \chi^2 χ2拟合优度检验

  检验统计量:

χ 2 = ∑ i = 1 k ( f i − n p i ) 2 n p i ∼ χ 2 ( k − 1 ) \chi ^2=\sum_{i=1}^k\frac{(f_i-np_i)^2}{np_i} \sim \chi ^2(k-1) χ2=i=1knpi(finpi)2χ2(k1)

χ 2 = ∑ i = 1 k ( f i − n p i ^ ) 2 n p i ^ ∼ χ 2 ( k − r − 1 ) \chi ^2=\sum_{i=1}^k\frac{(f_i-n\hat{p_i})^2}{n\hat{p_i}} \sim \chi ^2(k-r-1) χ2=i=1knpi^(finpi^)2χ2(kr1)

  若r为被待估参数。

  若服从正态分布, χ 2 \chi ^2 χ2应较小,其中p值大于显著性水平 α \alpha α时,拒绝原假设。

  ⑤达戈斯提诺(D′Agostino)法

  即D检验,1971提出,正态性D检验该方法效率高,是比较精确的正态检验法。

  ⑥AD检验

  ⑦CVM检验

4 主要R包及代码

  ①ks.test()

  例如零假设为N(15,0.2),则ks.test(x,“pnorm”,15,0.2)。如果不是正态分布,还可以选"pexp", "pgamma"等。
   ②shapiro.test()

  可以进行关于正态分布的Shapiro-Wilk检验。
  ③nortest包

lillie.test()可以实行更精确的Kolmogorov-Smirnov检验。
ad.test()进行Anderson-Darling正态性检验。
cvm.test()进行Cramer-von Mises正态性检验。
pearson.test()进行Pearson卡方正态性检验。
sf.test()进行Shapiro-Francia正态性检验。

  ④fBasics包

normalTest()进行Kolmogorov-Smirnov正态性检验。
ksnormTest()进行Kolmogorov-Smirnov正态性检验。
shapiroTest()进行Shapiro-Wilk's正态检验。
jarqueberaTest()进行jarque-Bera正态性检验。
dagoTest进行D'Agostino正态性检验。
gofnorm采用13种方法进行检验,并输出结果。
  • 20
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值