정규성 테스트 실패여러분 모두에게,
첨부된 그림과 유사한 일련의 데이터 세트에 대해 정규성 테스트를 수행하고 나중에 ANOVA를 사용하여 비교하려고 합니다. 그런데 정규성 검정을 해보니 '거짓음성'이라고 생각했던 결과가 계속 나오네요. 저널의 스크린샷에서 볼 수 있듯이, 데이터 세트는 약 7~8개의 빈만 채워져 있음에도 불구하고 전체적으로 정규 분포와 유사합니다. 내 추측으로는 채워진 빈 빈 사이에 '너무 많은' 빈 빈이 있기 때문에 JMP는 데이터세트를 다중 모드로 해석한다는 것입니다. 그래픽으로 표시된 대로 전체 세트에 대한 맞춤/테스트를 수행하고 싶습니다.
그러나 JMP는 데이터 분포를 해석하고 분산 분석에서 도출된 결론에도 영향을 미칩니다. 누군가 이러한 데이터에 대한 통계 분석을 수행하는 방법에 대한 통찰력을 제공할 수 있다면 매우 감사하겠습니다(예: 각 데이터 세트의 정규성을 테스트한 다음 ANOVA를 사용하여 비교).
감사해요,
Re: 정규성 테스트 실패사용하여 @garibay90 님의 데이터, 그래프 빌더 대신 Fit Y by X를 사용했는데, 그 이유는 플랫폼이 등고선 색상 지정 및 변경에 대한 더 많은 옵션을 제공하기 때문입니다.또한 이변량 히스토그램처럼 보이는 "메시 플롯" 옵션도 발견했습니다.
Re: 정규성 테스트 실패이해합니다. 감사합니다!
Re: 정규성 테스트 실패나는 다른 사람이 사용하는 방법을 보증, 확인 또는 검증할 수 없습니다.
나는 일반적으로 여기에서 유용한 제안을 받게 될 것이라고 생각하지만 그 조언이 귀하의 경우에 적절한지 결정해야 합니다.
Re: 정규성 테스트 실패@마크_베일리 @Chris_Kirchberg 위에 나열된 방법론이 타당하고 표준 통계 관행에 부합하는지 확인할 수 있습니까? 감사합니다! 추신 나는 Patrick's 위에 있는 내 게시물을 언급하고 있습니다.
Re: 정규성 테스트 실패@PatrickGiuliano 시간을 내어 제 데이터를 자세히 살펴봐주셔서 정말 감사드립니다. 확인해 보니 안타깝게도 SHASH에 맞는 기능이 없습니다. JMP 10으로 작업하고 있습니다. 그러나 현 시점에서는 평균 비교를 위한 비모수적 접근 방식이 아마도 최선의 방법이라는 데 동의합니다.
" 예를 들어, 그룹 간 점수 차이를 조사하는 Wilcoxon 테스트를 실행하는 경우 점수 평균 차이의 신뢰 구간이 실제로 모집단 평균 차이를 대표한다는 사실을 알 수 있습니까?중앙값을 비교하는 테스트를 선택하는 경우 "Y"로 표시된 표본의 중앙값 추정치와 추정치 주변의 해당 신뢰 구간이 모집단에서 실제 추정치가 있을 수 있는 위치를 나타낸다고 생각할 이유가 있습니까? " 좋은 질문입니다. 저는 비모수적 테스트를 처음 접했기 때문에 이에 대해 잘 모르겠지만 제가 이해하는 바에 따르면 중요한 것은 실제 수치 값이 아니라 서로에 대한 순위의 순서입니다. 누군가 이것을 명확히 할 수 있다면 정말 좋을 것입니다.
원시 데이터가 히스토그램이기 때문에 두 열은 서로 다르게 동작합니다. 여기서 X(열 1)는 Bin이고 Y(열 2)는 각 Bin의 개수입니다. 따라서 데이터 세트에 있는 "0.0000" 값의 양입니다.
귀하의 모든 의견에 진심으로 감사드립니다!
Re: 정규성 테스트 실패@garibay90 , 실행중인 테스트에 대해 잘 모르겠습니다. 그에 대해 많이 읽지 않았습니다.
저는 Life Distribution Platform을 사용하여 데이터의 "X" 및 "Y" 열을 맞추려고 시도했으며, Liklihood, AICc 및 BIC는 각각 Lognormal 및 Zero Inflated Weibull을 기반으로 하여 최고의 JMP가 나올 수 있었습니다.내 생각에는 네더 핏이 좋습니다. 변환된 NQ 플롯에서 점이 따르는 정도와 비선형 일관성 경로를 눈으로 살펴보세요.점이 직선에 매우 가깝지 않거나 곡률을 나타내지 않으면 변환이 적합하지 않은 것입니다.
제가 이해한 바에 따르면, 표준 정규 모수 통계 가설 검정(예: 2-표본 사례에 대한 ANOVA = t-검정)을 사용하여 2-그룹 비교를 실행하려면 동일한 변환을 정규성에 적용해야 합니다. 두 그룹 모두. 그리고 해당 변환을 두 가지 모두에 적용한 후에는 데이터가 상당히 정규적이어야 합니다.
JMP의 SHASH 분포는 "X" 열에 적합할 수 있습니다. 실제로 제가 찾을 수 있는 가장 좋은 분포입니다(분포 분석 > 전체 적합을 사용하면 JMP가 이 분포에 적합한 것을 생성합니다).그러나 "Y" 열에는 적합하지 않습니다.실제로 내 경험상, 당신은 찾기가 매우 어려울 것입니다 어떤 변화라도 이는 이 데이터에 유효하게 맞습니다.데이터 세트에 "0.0000" 값이 너무 많습니다.나는 이전에 이 문제를 다루었고 결국에는 비모수적 분석을 실행하는 것 외에는 선택의 여지가 없습니다."Y"와 같은 데이터를 사용하면 내가 추론하려는 추정치가 표본이 나온 모집단을 합리적으로 대표한다고 합리적으로 확신하지 않는 한 비모수적 테스트에서 얻은 추론을 신뢰하지 않을 것입니다.예를 들어, 그룹 간 점수 차이를 조사하는 Wilcoxon 테스트를 실행하는 경우 점수 평균 차이의 신뢰 구간이 실제로 모집단 평균 차이를 대표한다는 사실을 알 수 있습니까?중앙값을 비교하는 테스트를 선택하는 경우 "Y"로 표시된 표본의 중앙값 추정치와 추정치 주변의 해당 신뢰 구간이 모집단에서 실제 추정치가 있을 수 있는 위치를 나타낸다고 생각할 이유가 있습니까?
나는 극도로 불평등한 분산에 대한 비모수적 테스트 수정에 대해 알지 못합니다.그러나 나는 틀릴 수 있습니다.일반적인 모수적 테스트의 경우 불평등 분산에 대한 표준 수정이 있지만 수정은 추정치를 기반으로 하며 정확한 솔루션은 아닙니다. 구글에서 '베렌스 피셔 문제'를 찾아보세요.
SHASH 분포를 사용하여 데이터를 변환하면(내 생각에는 "Y" 데이터에 대해 전혀 잘 작동하지 않는 것 같습니다) 그룹 간의 등분산에 대한 증거를 얻게 됩니다.그룹 간 평균 간에 통계적으로 유의미한 차이가 있다는 증거를 얻었습니다. 여기서 "Y" 열 평균은 "X" 열 평균보다 0.62 단위 낮습니다.
여기서 한 걸음 물러나서 이 그룹을 살펴보면, "제멋대로인" 데이터가 있음에도 불구하고 이 그룹이 수치적으로 다르게 행동하고 있다는 것이 분명해졌습니다. "Y"에 대해서는 0 값이 많이 표시되지만 "X" 그룹에 대해서는 0 값이 표시되지 않습니다.
Re: 정규성 테스트 실패안녕하세요 여러분,
주제에 대해 조사한 후 각 데이터 세트의 순위를 계산하고 순위(연속)를 Y 값으로 사용하고 각 데이터 세트의 레이블(명목)을 X로 사용하여 Fit Y by X를 수행하기로 결정했습니다. 그런 다음 모든 비모수적 테스트에는 등분산이 필요하기 때문에 등분산 테스트를 수행했습니다. 분산이 동일하다는 것을 확인한 후(원래 데이터는 정규 데이터가 아닐 뿐만 아니라 등분산 테스트에도 실패함) Kruskal-Wallis 테스트를 수행하고 Steel 및 Dunn Post Hoc 테스트를 모두 마쳤습니다. 이 시점에서는 통계적 접근 방식이 타당하며 테스트의 결론이 실제 관찰과 일치한다고 생각합니다.
위의 방법론이 통계적 관점에서 올바른 접근 방식인지 조언해 줄 수 있는 사람이 있나요? 그리고 마지막 질문으로, 사후 테스트 측면에서 통계학자들이 표준 관행으로 간주하는 것은 무엇입니까: Steel 또는 Dunn? 둘 다 동일한 순위를 산출하고 동일한 결론에 도달합니다. 나는 쌍을 비교할 때 부풀려진 제1종 오류에 대해 둘 다 맞다고 믿습니다.
모든 의견을 보내주셔서 정말 감사드립니다!
Re: 정규성 테스트 실패감사해요!
ANOVA 부분의 경우 데이터를 쌓고 각 데이터 세트의 레이블을 X로 사용했습니다. Y는 위에 첨부한 것과 같은 각 숫자 모음입니다. 데이터를 조금 더 살펴보니 Dunnett의 방법이 유망해 보였습니다. 차이점 매트릭스를 통해 데이터 세트가 얼마나 다른지 알 수 있기 때문입니다. 그러나 '맞춤 요약'에 나열된 R-제곱은 여전히 매우 낮습니다(0.002).
또한 일반화 선형 모델 특성, 포아송 분포 및 로그 링크 기능을 갖춘 Fit Model을 사용해 보았으나 Prob>ChiSq가 여전히 0.05 미만입니다. 정규 분포를 사용하는 경우에도 동일하게 작동합니다.
Re: 정규성 테스트 실패데이터를 그래프로 그려보려고 합니다. 분포에 표시된 열을 Y에 배치하고 그래프 빌더의 X에 대한 ANOVA에서 X에 대해 계획하고 있는 항목을 배치합니다. 두 차원 모두에서 데이터 클러스터링을 발견하면 연속 데이터가 없으며 정규성 테스트가 적합하지 않으며 적합 모델에서 ANOVA를 사용하는 것도 의미가 없습니다. 분산 분석을 수행하기 위해 일반화 선형 모델을 사용하여 다른 분포의 적합 모델을 사용할 가능성이 더 높습니다.
솔직히 말해서 데이터는 연속적이지 않고 범주형인 것처럼 보입니다. 일종의 평가 응답과 같습니다.
Re: 정규성 테스트 실패감사합니다. 다음은 원시 데이터 예시와 스크립트를 사용하여 생성된 데이터입니다.
Re: 정규성 테스트 실패데이터를 보지 않고 원시 데이터에서 분석을 실행하는 것이 좋습니다.
먼저 데이터. 표본 크기가 커지는 것은 다음 작업에 도움이 되지 않습니다.
정규성 테스트. 표본 크기가 매우 작지 않은 한
작고 자극 날짜에 맞는 스타킹이 유효합니다.
실험에서 값을 시뮬레이션하는 것은 유효한 그림을 그리는 데 도움이 되지 않습니다.
가설 테스트를 통한 추론.
귀하의 데이터를 살펴보고 싶습니다! 해당 항목을 제거했는지 확인하세요.
독점적인 것으로 간주될 수 있습니다. 
Re: 정규성 테스트 실패@PatrickGiuliano 감사해요! 이제 나는 당신들이 무엇을 얻고 있는지 이해합니다. 이 경우 생성된 원시 데이터는 비닝됩니다. 기본적으로 내 출력은 bin과 count라는 두 개의 열입니다. 이 문제를 해결할 방법이 있는지 확실하지 않습니다. 그러나 저는 counts 열에 나열된 만큼 각 bin의 값을 생성하는 스크립트를 작성했습니다. 이는 나중에 정규성 테스트를 수행하기 위해 JMP에 입력하는 숫자 집합입니다. 나는 JMP가 다른 bin 세트를 생성하여 내 분포가 더 연속적으로 나타나거나 해석되기를 바랐습니다. 필요한 경우 예시 데이터 세트를 첨부할 수 있습니다. 모든 의견을 보내주셔서 감사합니다!
Re: 정규성 테스트 실패@garibay90 나는 동의한다 @P_바텔 , 하지만 "라고 말하면 실제로는 숫자 모음이고 JMP가 비닝을 수행하고 있습니다." 당신 말이 맞지만 동시에 완전히 옳지는 않습니다.예, 히스토그램은 자동 비닝을 수행하며 "그래버" 도구를 사용하여 해당 비닝을 동적으로 조정할 수 있습니다.그러나 데이터는 데이터이며 데이터는 일부 '합리적인' 빈 크기에서 NQ 플롯에 의해 매우 강력하게 확증됩니다. 즉, 데이터가 비닝되어 있음을 보여줍니다. 즉, 내 용어로는 별도의 '그룹으로 '분할'됩니다. ."내 단어 선택은 아마도 올바른 통계 언어가 아닐 수도 있지만 우리가 같은 입장에 있기를 바랍니다.나는 무엇을 믿는다 @P_바텔 즉, "데이터가 왜 이렇게 구성되어 있는가?"라는 질문을 해결해야 한다는 것입니다.이 질문에 대답하는 것은 아마도 ANOVA를 실행하는 데 주로 중요할 것입니다.먼저 데이터의 성격과 맥락을 이해해야 하며, 그런 다음 다양한 추론 통계 기법을 적용하여 다양한 가설(예: 평균, 분산 등에 대한)을 테스트할 수 있습니다.
Re: 정규성 테스트 실패데이터는 비닝되지 않습니다. 이는 실제로 숫자 모음이며 JMP가 비닝을 수행합니다. 채워진 쓰레기통의 분포를 명확하게 보여주는 또 다른 저널 그림이 첨부되어 있습니다.
Re: 정규성 테스트 실패감사합니다! 예, 나는 당신의 말에 동의합니다. 이것은 단 하나의 데이터 세트입니다. 그림에 표시된 것과 같은 것이 여러 개 있습니다.
Re: 정규성 테스트 실패데이터는 정규 확률도에 표시된 대로 구간별로 분할됩니다. 이러한 비닝 배열을 만들었습니까? 아니면 데이터가 이러한 비닝 방식으로 제공되었습니까? 비닝을 생성한 경우 비닝 전에 원시 데이터를 사용해 보셨나요?
Re: 정규성 테스트 실패@garibay90 막대 차트의 막대 사이에 명백한 "간격"이 있음을 알 수 있듯이 데이터의 해상도도 제한적일 수 있지만 정규 확률도에서 점의 "채터진" 패턴을 보면 훨씬 더 명확하게 알 수 있습니다.이 데이터 세트가 다중 그룹(샘플)으로 구성되지 않는 한, 이 데이터는 ANOVA에 대해 특별히 잘 동작하는 것처럼 보이지 않습니다.이 경우 먼저 그룹별로 정규성 평가를 별도로 실행해야 합니다.그리고 그 다음에 ANOVA를 실행할 수 있습니다.그러나 언급한 대로 ANOVA를 실행하더라도 매우 큰 표본 크기로 인해 분석이 '통계적으로 편향'됩니다.일반적으로 가설 검정(ANOVA 포함)은 표본 크기가 증가함에 따라 귀무 가설을 기각하는 검정력이 훨씬 더 높습니다.ANOVA의 경우 각 그룹 평균(총 평균 대비)에 대한 처리 오프셋이 모든 처리 그룹에 대해 동일하다는 귀무가설을 검정합니다.null을 거부하면 주장할 수 있는 것은 다음과 같습니다. 적어도 하나의 차이점 그룹 간 치료 오프셋이 관찰됩니다.참고: 여기서 또 다른 핵심 가정은 그룹 간의 분산이 동일하다는 것입니다.Fit Y by X> Unequal Variances를 사용하고 JMP가 자동으로 생성하는 가설 검정과 관련된 p-값을 살펴보면 이 가정을 확인할 수 있습니다.
그러나 기본적으로 ANOVA는 그룹 간 평균을 비교하는 테스트입니다(그룹 간 전체 분산을 고려하여 그룹 간 동일하다고 가정).
Re: 정규성 테스트 실패빠른 응답에 감사드립니다. 분포가 왜곡되어 있다는 데 동의하지만 세트가 어느 정도 정규 분포를 보이는 점을 고려하면 정규성 테스트가 완전히 실패할 것이라고는 예상하지 않습니다. 하지만 예, 현재로서는 이를 정당화할 정량적 방법이 없습니다. 제 기억으로는 각 빈에서 더 적은 수의 포인트를 시도했지만 여전히 정규성 테스트에 실패했습니다. 다른 데이터 세트도 동일하게 보입니다.
기본적으로 저는 이러한 세트를 비교하고 이상적인 사례 시나리오와 비교할 때 어떤 세트가 다른지 확인하려고 합니다. 나는 다른 대안에 열려 있습니다. ANOVA는 제가 익숙한 접근 방식입니다.
Re: 정규성 테스트 실패표본이 크기 때문에 이러한 검정은 (완벽한) 정규성에서 벗어나는 데 매우 민감합니다.그러나 양쪽 끝의 관측치는 정규 분위수 도표의 선형성에서 벗어나 분포가 오른쪽으로 치우쳐 있음을 나타냅니다. 왜 출발이 없다고 생각합니까?
이 예는 ANOVA에서 분석할 샘플 중 하나입니까? 다른 샘플은 어떤가요?
