プロセス能力オプション内で選択するための分布基準分析/品質およびプロセス/プロセス機能を使用して、[Y、Process]データおよび[By]選択を選択した後、[Distribution Options]で[Distribution] [Best fit]を選択します。
これはそれから私のデータセットに多数のデータ配分を当てはめ、最も高いAICc BIC -2Loglikeを推薦します
比較の詳細
私の質問は、AICcをBICよりも-2Loglikeよりも（任意の参照記事または経験）選択するという合理的な根拠があり、これらが類似していると見なすには、これらの値が互いにどれほど近い必要があるかです。たとえば、上記の最初の4つの分布はc.46から50であることを考えるとほぼ同じですが、c.63が大きいので正規分布を使用しないでください。異なる？？（やはりどんな参考文献または経験でも評価されるでしょう）。
イアンよ
再：流通基準はプロセス能力オプション内で選択に適合これらの基準は情報理論に基づいています。-2Lはモデルの尺度ですバイアスしたがって、この値が小さいほど、モデルの偏りが少なくなります。一般的に、このモデルには最小限の偏りが必要です。モデルに関係なく分散完全にフィットするまで、モデルの複雑さを増すだけです（たとえば、線形モデルに項を追加するなど）。現在のデータセットをモデル化したいだけなら、その結果は問題ありません。そのようなモデルはしません一般化するただし、新しいデータを表します。そのため、-2Lはモデルに関する情報を提供しますが、一般的にモデル選択の基準としては不十分と見なされています。
AICとBICは、どちらも-2Lプラスペナルティ分散のために。最小AICまたはBICは、バイアスと分散を最適にトレードオフします。2つの基準の違いは、違約金の定義にあります。両方の場合のペナルティは、モデルの複雑さとサンプル数の関数です。AICは一般的にBICよりも好まれていますが、複雑さの解釈によっては、BICの方が適切なモデルが選択されているようです。
AICが最も良い2つのモデルの違いは、候補モデルを評価するときに役立ちます。４未満のＡＩＣ差はデータからの有意な支持を有することを示し、４から１０の差は支持がかなり少ないことを示し、そして１０より大きい差は本質的に支持がないことを示す。
注：これらの基準はトレーニングデータに依存しています。
モデルの選択に、観察されたシステムに関する利用可能な知識も含まれているのが最良です。データはどのように発生しますか？その情報はモデルの選択を導くことができますか？モデルの選択はデータの近似に関するものではありません。
再：流通基準はプロセス能力オプション内で選択に適合Markさん、4つのディストリビューションに感謝します
＃1）2つの法線の混合
＃2）ワイブル
＃3）3つの法線の混合
＃4）ジョンソン蘇
これらはすべて類似したAICcを持っていますが、4の範囲内で類似していると考えられます、「正規」以降の他の分布は10AICcポイントより大きいので考慮されるべきではありません。
「AICの差が4未満であれば、2番目に優れたモデルがデータから有意に支持されていることを示す」ので、＃2 Weibullを選択することをお勧めします。より古典的なワイブルなどの分布（例：正規分布、ガンマなど）。
これであなたの助けを理解しなさい、これを説明する何か文学はありますか？
乾杯イアン再：流通基準はプロセス能力オプション内で選択に適合いいえ AICcを単独で使用する 2つの正規分布の混合が最良のモデルであり、ワイブル分布が同じデータに適合するこれらのモデルの2番目に良いモデルです。ワイブルモデルの関連するAICcは通常の混合モデルのそれに近いので、それもまたデータから多くの支持を得ていると言えます。
ワイブル分布を選択する理由が他にもある場合（歴史的嗜好、プロセスの理論など）、その情報をAICcとともに使用すると、通常の混合モデルよりも選択しやすくなる場合があります。
良い参考文献はKenneth P. BurnhamとDavid R. Anderson（2002）です。モデル選択とマルチモデル推論：実用的な情報理論的アプローチ、第2版 「スプリンガー。
