Ayuda para interpretar los resultados de la prueba KSL en Bondad de ajuste<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola a todos,
Estoy viendo algunos resultados de bondad de ajuste. Si bien los resultados de Shapiro-Wilkes tienen cierta (escasa) documentación, la prueba de Komologorov-Smirnov-Lilliefors parece tener una forma diferente y ninguna documentación. Una búsqueda rápida tampoco muestra nada en el foro; y google guarda bastante silencio sobre el tema.
Mis resultados son:
Para una distribución normal:
D Problema > D
0,3752777 < 0,0100*
No creo que esta sea una distribución normal. ¿Puedo rechazar la Hipótesis Nula como D > alfa?
¿Por qué Prob > D es significativo? ¿Significa esto simplemente que no es probable que el resultado de la prueba sea una ocurrencia aleatoria?
Para la distribución LogNormal.
D Problema > D
0,030143 < 0,0100*
Esto está cerca de una distribución logarítmica normal: está mayoritariamente dentro de los límites del gráfico de cuantiles normales, pero se desvía un poco en los extremos. Como D ahora es menor que alfa; ¿Significa esto que se ajusta a una distribución logarítmica normal?
Para su información, hay ~ 159.000 puntos de datos.
El mejor enlace que puedo encontrar sobre el tema es http://homepages.cae.wisc.edu/'1e642/content/Techniq ues/KS-Test.htm, que es en lo que baso mis suposiciones.
Gracias por cualquier información adicional que pueda proporcionar,
gareth
Re: Ayuda para interpretar los resultados de la prueba KSL en bondad de ajusteEn este caso, es posible que desee probar los siguientes pasos:
1) abre tu tabla de datos.
2) ejecuta una distribución con todas las variables que quieras.
3) mantenga presionada la tecla Ctrl y ajuste la distribución normal a todas las variables
4) mantenga presionada la tecla Ctrl y obtenga el ajuste adecuado
5) ahora viene el truco: haga clic derecho en una de las tablas de bondad de ajuste y elija Crear tabla de datos combinados.
ahora deberías tener una tabla completamente funcional con todos tus resultados a la vez. esto le permitirá ordenar por valor estadístico o valor P o incluso hacer un gráfico de lo que acaba de obtener.
espero que esto ayude.
ron
Re: Ayuda para interpretar los resultados de la prueba KSL en bondad de ajusteGracias por los consejos.
Si bien un tamaño de muestra de ~159k se considera grande y altamente detectable en el contexto del rechazo de la hipótesis nula, ¿existe un número en el que consideramos un tamaño de muestra como "grande y altamente detectable"?¿Y si esta cifra se basa en una teoría o en una regla general?En mi caso, podría estar trabajando en un tamaño de muestra de ~40k.
Además, mi intención es intentar evitar la inspección visual de los histogramas.Podría estar tratando con ~40.000 unidades en un producto en particular, donde cada unidad se toma ~3000 tipos diferentes de medidas.Suponiendo que esperamos que cada tipo de medición produzca un comportamiento de distribución normal.Me imagino que, si es posible, podría ejecutar la prueba de normalidad usando JMP para informar el valor p para cada una de las 3000 mediciones.Al observar 3000 valores p como la primera pantalla bruta, me permite identificar rápidamente mediciones problemáticas (que no son normales) en lugar de ver 3000 histogramas manualmente.Para esto, necesitamos (1) precisión y solidez de la prueba de normalidad y (2) compatibilidad con la automatización en JSL para informar estos valores p.Si hay algún consejo sobre dicho modelo de uso, sería muy apreciado.
Re: Ayuda para interpretar los resultados de la prueba KSL en bondad de ajusteEn realidad, JMP no está calculando los valores p en este caso. JMP los está buscando a partir de los valores tabulados. Por eso puedes omitir algunas observaciones y obtener el mismo valor p. Esta es también la razón por la que JMP proporciona el símbolo < o >. Esto le dice al usuario que el valor p es ligeramente menor o ligeramente mayor que el valor informado.
Tiene razón sobre la cuestión del tamaño/importancia de la muestra.
Re: Ayuda para interpretar los resultados de la prueba KSL en bondad de ajusteEn realidad, JMP no está calculando los valores p en este caso. JMP los está buscando a partir de los valores tabulados. Por eso puedes omitir algunas observaciones y obtener el mismo valor p. Esta es también la razón por la que JMP proporciona el símbolo < o >. Esto le dice al usuario que el valor p es ligeramente menor o ligeramente mayor que el valor informado.
Tiene razón sobre la cuestión del tamaño/importancia de la muestra.
Re: Ayuda para interpretar los resultados de la prueba KSL en bondad de ajustecon este tamaño de muestra todo resulta significativo (para bien o para mal). esto se debe a que cada pequeña diferencia es "detectable". Con esta muestra, primero combinaría las cosas visualmente.
También encuentro que los valores p de esta prueba son sospechosamente redondeados. Si simplemente omite algunas observaciones y repite la prueba, seguirá dando exactamente el mismo valor de p.
Re: Ayuda para interpretar los resultados de la prueba KSL en bondad de ajusteLos detalles y fórmulas de esta prueba se pueden encontrar en la siguiente página: http://support.sas.com/documentation/cdl/en/procstat/63104/HTML/default/viewer.htm#procstat_univariate_sect037.htm
La hipótesis nula para la prueba KSL es que los datos se distribuyen como cualquier distribución que se ajuste.Supongamos que se ajusta a una distribución normal.Entonces la hipótesis nula es que los datos se distribuyen normalmente.
Para interpretar la prueba, el usuario debe decidir sobre un nivel alfa.Supongamos que elige un valor alfa de 0,05.
Recibir un valor p de 0,1500 indica que no se puede rechazar la hipótesis nula (porque elegimos un alfa de 0,05 que es menor que el valor p).
Re: Ayuda para interpretar los resultados de la prueba KSL en bondad de ajusteTengo preguntas similares y parece que hay muy pocos recursos sobre este tema.
1. ¿Cómo calcula e informa JMP los resultados de la prueba KSL?
2. ¿Cómo interpretar los valores D y Prob>D informados por JMP?
3. ¿Tiene el usuario control sobre el nivel Alfa/significativo?Si es así, ¿cómo?
