安德森-達林 - 夏皮羅·威爾克我必須測試數據的正態性。
第一次用9版本，現在15.0
據我從論壇了解到，夏皮羅威爾克測試已經過時，目前正在使用安德森-達林測試（AD）。 AD 用於定義分佈類型
正態分佈；
柯西；
對數正態；
指數；
伽瑪；
沙什；
威布爾。
但有一個標準呢？ 它看起來像夏皮羅-威爾克的嗎？
請幫我解釋一下以下三種情況
1.
2.
3.
為什麼會這樣概率每次都是>然後A2 ？
高級統計建模基礎數據分析和建模數據存取數據探索和可視化實驗設計質量和工藝工程回复：安德森-達林 - 夏皮羅·威爾克對您的問題僅補充一條評論。 夏皮羅-威爾克測試並不是過時的測試。 該測試仍然合適，但僅用於測試正態性。 由於 JMP 可以擬合許多不同的分佈，因此為了保持一致性而改用 Anderson-Darling。 該測試可用於測試任何發行版。
回复：安德森-達林 - 夏皮羅·威爾克這是一個假設檢驗，因此它的工作原理類似於夏皮羅-威爾克斯檢驗。 原假設是擬合分佈。 樣本檢驗統計量為A2。 它是一種上尾檢驗，類似於卡方檢驗和 F 檢驗。 大量的統計數據是反對零的證據。 當零假設為真時，A2 的所述概率至少與樣本估計的概率一樣大。
它旨在用於決定是否應拒絕擬合模型。 它不適用於模型選擇。 AICc 等標準更適合此目的。
您提供的三個示例分別為您的決策提供了一個 p 值。 首先，您決定願意承擔的 I 類錯誤風險（即 alpha 水平），然後將 p 值與 alpha 進行比較。 如果 p 值小於 alpha，則拒絕原假設。 否則，您將繼續假設 null 為 true。 例如，如果我使用 alpha = 0.1，那麼我不會拒絕第一種情況的 null，但會拒絕其他兩個測試的 null。
請注意，對許多不同的模型使用相同的總體樣本進行相同的假設檢驗會增加出現 I 類錯誤的機會。 這種做法就是多重比較的一個例子。
