JB检验
对数据量有要求,要求样本n>30
偏度和峰度
注意峰度不同的两种定义
%matlab中求偏度和峰度
x=normrnd(2,3,100,1);%生成100%的随机向量,每个元素是均值为2,标准差为3的正态分布
skewness(x)%偏度
kertosis(x)%峰度
样本个数越大,检验的结果越好
构造JB统计量
J
B
=
n
6
[
S
2
+
(
K
−
3
)
2
4
]
JB=\frac{n}{6}[S^2+\frac{(K-3)^2}{4}]
JB=6n[S2+4(K−3)2]
可以证明,如果
X
i
{X_i}
Xi是正太分布,那么在大样本情况下JB~
x
2
(
2
)
x^2(2)
x2(2)(自由度为2的卡方分布)
注
意
:
正
态
分
布
的
偏
度
为
0
,
峰
度
为
3
注意:正态分布的偏度为0,峰度为3
注意:正态分布的偏度为0,峰度为3
步骤如下:
1.
H
0
:
该
随
机
变
量
服
从
正
态
分
布
H
1
:
该
随
机
变
量
不
服
从
正
态
分
布
H_0:该随机变量服从正态分布 H_1:该随机变量不服从正态分布
H0:该随机变量服从正态分布H1:该随机变量不服从正态分布
2.
计
算
峰
度
和
偏
度
,
得
到
检
测
值
J
B
∗
,
并
计
算
出
其
对
应
的
p
值
计算峰度和偏度,得到检测值JB*,并计算出其对应的p值
计算峰度和偏度,得到检测值JB∗,并计算出其对应的p值
3.
将
p
值
与
0.05
比
较
,
如
果
小
于
0.05
则
可
拒
绝
原
假
设
,
否
则
我
们
不
能
拒
绝
原
假
设
将p值与0.05比较,如果小于0.05则可拒绝原假设,否则我们不能拒绝原假设
将p值与0.05比较,如果小于0.05则可拒绝原假设,否则我们不能拒绝原假设(默认置信水平为95%)
Matlab求JB检验的语法
[h,p]=jptest(x,alpha)
当输出h等于1时,表示拒绝原假设;h等于0则代表不能拒绝原假设。
其中alpha
就是显著性水平,一般取0.05,此时置信水平为1-0.05=0.95
x就是我们要检验的随机变量,注意这里的x只能是向量。
%%正态分布检验
%检验第一列数据是否为正态分布
[h,p]=jbtest(Test(:,1),0.05)
%用循环检验所有的数据
n_c=size(Test,2)%number of column
H=zeros(1,6);
P=zeros(1,6);
for i=1:n_c
[h,p]=jbtest(Test(:,i),0.05);
H(i)=h;
P(i)=p;
end
dip(H)
dip(P)
这里要注意当P值小于最大的截断值时,返回0.001.
Shapiro-wilk检验
小样本
3
≤
n
≤
50
3 \leq n \leq 50
3≤n≤50
1.
H
0
:
该
随
机
变
量
服
从
正
态
分
布
H
1
:
该
随
机
变
量
不
服
从
正
态
分
布
H_0:该随机变量服从正态分布 H_1:该随机变量不服从正态分布
H0:该随机变量服从正态分布H1:该随机变量不服从正态分布
2.
计
算
出
w
i
l
k
统
计
量
后
,
得
到
相
应
的
p
值
计算出wilk统计量后,得到相应的p值
计算出wilk统计量后,得到相应的p值
3.
将
p
值
与
0.05
比
较
,
如
果
小
于
0.05
则
可
拒
绝
原
假
设
,
否
则
我
们
不
能
拒
绝
原
假
设
将p值与0.05比较,如果小于0.05则可拒绝原假设,否则我们不能拒绝原假设
将p值与0.05比较,如果小于0.05则可拒绝原假设,否则我们不能拒绝原假设(默认置信水平为95%)
可以用SPSS
Q-Q图
在统计学中,Q-Q图(Q代表分位数Quantile)是一种通过比较两个概率分布的分位数对这;iang个概率分布进行比较的概率图方法。
首先选定分位数的对应概率区间集合,在此概率区间上,点(x,y)对应于第一个分布的一个分位数x和第二个分布在和x相同概率区间上相同的分位数。
这里,我们选择正态分布和要检验的随机变量,并对其做出QQ图。(如果要检验的随机变量是正态分布,那么QQ图就是一条直线)
要利用Q-Q图鉴别样本数据是否近似于正态分布,只需要看Q-Q图上的点是否近似地在一条直线附近。
qqplot(x)
小样本尽量不要用,数据量要非常大