278534_fr-FR

liliconcom

Anderson-Darling - Shapiro Wilk

Je dois tester les données pour la normalité.

Première version utilisée 9 maintenant 15.0

D'après ce que j'ai compris du forum, le test de Shapiro Wilk est obsolète et le test d'Anderson-Darling (AD) est actuellement utilisé. AD est utilisé pour définir le type de distribution

Distribution normale;

Cauchy;

log-normal ;

Exponentiel;

Gamma;

SHASH ;

Weibull.

Mais qu'en est-il d'un critère. Ça ressemble à celui de Shapiro-Wilk ?

S'il vous plaît aidez-moi à interpréter les trois situations ci-dessous

1.

2. 

3. 

 

Et pourquoi Prob chaque fois est > alors A2 ?

 

 

 

 

Modélisation statistique avancéeAnalyse et modélisation de données de baseAccès aux donnéesExploration et visualisation des donnéesConception d'expériencesIngénierie de la qualité et des procédésRe: Anderson-Darling - Shapiro Wilk

Juste un commentaire supplémentaire à votre question. Shapiro-Wilk n'est pas un test dépassé. Ce test est toujours approprié, mais n'est utilisé que pour tester la normalité. Étant donné que JMP peut s'adapter à de nombreuses distributions différentes, le passage à Anderson-Darling a été effectué pour plus de cohérence. Ce test peut être utilisé pour tester n'importe quelle distribution.

Re: Anderson-Darling - Shapiro Wilk

C'est un test d'hypothèse, il fonctionne donc comme le test de Shapiro-Wilks. L'hypothèse nulle est la distribution ajustée. La statistique de test de l'échantillon est A2. C'est un test à queue supérieure comme les tests chi carré et F. Une grande statistique est une preuve contre le nul. La probabilité indiquée est pour A2 au moins aussi grande que celle estimée à partir de votre échantillon lorsque l'hypothèse nulle est vraie.

 

Il est destiné à être utilisé pour décider si vous devez rejeter le modèle ajusté. Il n'est pas destiné à être utilisé pour la sélection du modèle. Un critère tel que l'AICc conviendrait mieux à cette fin.

 

Les trois exemples que vous avez fournis présentent chacun une valeur p pour votre décision. Vous décidez d'abord du risque d'erreur de type I que vous êtes prêt à prendre (c'est-à-dire le niveau alpha), puis vous comparez la valeur p à alpha. Si la valeur de p est inférieure à alpha, vous rejetez l'hypothèse nulle. Sinon, vous continuez à supposer que la valeur nulle est vraie. Par exemple, si j'utilise alpha = 0,1, alors je ne rejette pas le nul pour le premier cas mais je rejette le nul pour les deux autres tests.

 

Notez que l'utilisation du même test d'hypothèse avec le même échantillon de la population pour de nombreux modèles différents augmente les risques d'erreurs de type I. Une telle pratique est un exemple de comparaisons multiples.