278534_es-ES

liliconcom

Anderson-Darling - Shapiro Wilk

Tengo que probar los datos para la normalidad.

Primero usó la versión 9 ahora 15.0

Según entiendo del foro, la prueba de Shapiro Wilk está desactualizada y actualmente se está utilizando la prueba de Anderson-Darling (AD). AD se utiliza para definir el tipo de distribución

Distribución normal;

Cauchy;

Lognormal;

Exponencial;

Gama;

SHASH;

Weibull.

Pero ¿qué pasa con un criterio. ¿Se parece a la de Shapiro-Wilk?

Por favor, ayúdame a interpretar tres situaciones a continuación.

1.

2. 

3. 

 

¿Y por qué problema cada vez que es > entonces A2 ?

 

 

 

 

Modelado Estadístico AvanzadoAnálisis y modelado de datos básicosAcceso a los datosExploración y visualización de datosDiseño de experimentosIngeniería de Calidad y ProcesosRe: Anderson-Darling - Shapiro Wilk

Solo un comentario adicional a tu pregunta. Shapiro-Wilk no es una prueba obsoleta. Esa prueba sigue siendo apropiada, pero solo se usa para probar la normalidad. Dado que JMP puede adaptarse a muchas distribuciones diferentes, se cambió a Anderson-Darling por coherencia. Esa prueba se puede utilizar para probar cualquier distribución.

Re: Anderson-Darling - Shapiro Wilk

Es una prueba de hipótesis, por lo que funciona como la prueba de Shapiro-Wilks. La hipótesis nula es la distribución ajustada. El estadístico de prueba de la muestra es A2. Es una prueba de cola superior como las pruebas de chi cuadrado y F. Una gran estadística es evidencia contra la nulidad. La probabilidad establecida es para A2 al menos tan grande como la estimada a partir de su muestra cuando la hipótesis nula es verdadera.

 

Está destinado a ser utilizado para decidir si debe rechazar el modelo ajustado. No está destinado a ser utilizado para la selección de modelos. Un criterio como AICc sería mejor para ese propósito.

 

Cada uno de los tres ejemplos que proporcionó presenta un valor p para su decisión. Primero, decide el riesgo de error de tipo I que está dispuesto a asumir (es decir, el nivel alfa) y luego compara el valor p con alfa. Si el valor p es menor que alfa, rechaza la hipótesis nula. De lo contrario, continúa suponiendo que el valor nulo es verdadero. Por ejemplo, si uso alpha = 0.1, entonces no rechazo el nulo para el primer caso, pero sí rechazo el nulo para las otras dos pruebas.

 

Tenga en cuenta que el uso de la misma prueba de hipótesis con la misma muestra de la población para muchos modelos diferentes aumenta las posibilidades de errores de tipo I. Tal práctica es un ejemplo de comparaciones múltiples.