Hallo,
Brauche einen Rat.
Ich habe die Vertriebsplattform verwendet, um die beste Passform für meine Daten zu überprüfen. Ich wollte wissen, ob es eine Möglichkeit gibt, das Fehlerniveau (in zentraler Tendenz und Varianz) zu überprüfen, das eingeführt wird, wenn wir eine Nicht-Normalverteilung als Normalverteilung annehmen.
Hallo @billi ,
Ich verstehe, dass Sie das "Fehlerniveau" verstehen möchten, wenn Sie annehmen, dass Daten eine Normalverteilung haben, wenn sie wirklich von einer Nicht-Normalverteilung stammen. Ist das korrekt?Das ist eine interessante Frage.
Darf ich fragen warum du das machen willst? Haben Sie eine reale Situation, in der Sie dies tun müssen, von der Sie uns erzählen können?
Ich bin mir nicht sicher, wie die Daten in Ihrem Beispiel generiert wurden - vielleicht stammen dies aus einem realen Prozess? Ihre Analyse zum Vergleichen von Verteilungen legt jedoch nahe, dass die Log-Normalverteilung möglicherweise die beste Verteilung ist.
Allerdings haben die Gamma- und Normalverteilungen einen ähnlichen AICc. AICc ist ein Maß für die Güte der Anpassung und wir sagen im Allgemeinen, dass ein Unterschied in AICc von weniger als 2 nicht signifikant ist.
Das würde also nahelegen, dass in diesem Fall das "Fehlerniveau" in Bezug auf Lage/Skala/zentrale Tendenz und Streuung/Form/Varianz bei Annahme einer Normalverteilung klein ist, wenn die Verteilung wirklich log-normal ist. Sie können dies an den angepassten Verteilungen auf dem Plot sehen - sie sind fast nicht zu unterscheiden (vor allem, weil sie eine ähnliche Farbe haben!).
Hilft das? Haben Sie eine bestimmte Methode, um das "Fehlerniveau" zu quantifizieren? Woher wissen Sie, was die "richtige" Verteilung ist, um dann den Fehler bei der Annahme einer "falschen" Normalverteilung zu untersuchen?
Phil
Eine weitere nützliche Idee ist der Quantile Profiler aus dem roten Dreieckmenü für jede angepasste Verteilung. Sie können diese verwenden, um Quantile zu vergleichen. Unten sehen Sie den Median (Wahrscheinlichkeit = 0,5) und die Schätzung des 10. Perzentils (Wahrscheinlichkeit = 0,1) für jede Verteilung. Auch dies zeigt vernachlässigbare Unterschiede zwischen den Verteilungen.
