適合度親愛なるコミュニティの皆様、
適合性テストについて質問が 1 つあります。
データ配布を作成しました。
適合度検定を実行すると、結果は次のようになります（例）：シミュレートされたp値 = 0.1440
X 軸の最大値 (または最小値) を変更し、Goodness of Fif を再起動すると、シミュレートされた p 値が異なります。
私にとっては奇妙です...なぜなら、X スケールの変更のみが適合度の計算にどのように影響するのか理解できないからです。
フィードバックありがとうございます。
シモーネ
基本的なデータ分析とモデリングデータの探索と視覚化品質およびプロセスエンジニアリング適合性について重要なのは「シミュレーション」という言葉です。場合によっては、この p 値のような量に対して、閉じた形式の解や近似値が利用できないことがあります。そのような場合、シミュレーションを使用して p 値を導き出します。シミュレーションは、多数のランダム サンプルに基づいています。これらのサンプルは再現可能ではありませんが、数が多い場合、結果は適度に安定しています。
適合性について回答を詳しく述べていただければ幸いです。言いたかったのは、適合度オプションは使用していませんが、他のソフトウェアを使用して分布をデータに適合させることはよくあります。パラメータ制限なしで適合度テストを実行するのではなく、いくつかのパラメータを固定すると、適合度が変わると予想されます。パラメータを制限すると、元の適合度にはなかった制約が導入されるため、適合度が低下すると予想されます。たとえば、正規分布の平均をデータに適合させてから、平均を特定の値に制限した適合と比較すると、適合度は悪くなるだけで、改善されないと思います。これについてもう少し説明してください。
元のタスクにコメントを 1 つ追加するつもりでした。大量のデータがある場合、ほとんどの場合、データが指定された分布から取得されたという仮説を却下できることがわかっています。そのため、仮説検定に興味を持つことはほとんどありません。適合の視覚化の方がはるかに有益だと思います。多くの場合、p 値が <.0001 であっても、適合は非常に近いように見えます。質問では 0.144 の p 値が引用されているため、そのデータは明らかに私が作業したデータ (既知の分布からのシミュレートされたデータ、またはより適切に動作するデータ生成プロセス) とは異なります。視覚化も非常に近いように見えると思います。このような場合、適合した値以外の値にパラメーターを固定すると、私の考えでは、この p 値が大幅に減少する (適合が悪化する) はずです。これで正しいですか?
適合性についてこんにちは@dlehman1 /; 良い質問ですね。
(1) そのため、仮説検定に興味を持つことはほとんどありません。適合の視覚化の方がはるかに有益だと思います。多くの場合、p 値が <.0001 であっても、適合は非常に近いように見えます。質問では 0.144 の p 値が引用されているため、このデータは私が作業したデータ (既知の分布からのシミュレートされたデータ、またはより適切に動作するデータ生成プロセス) とは明らかに異なります。
はい、これはよくあることです。サンプルサイズが大きいと「圧倒的」な状況に陥ることがあります。この場合、サンプルサイズは小さいです。
分布からの（おそらく無視できるほどの）逸脱は分布を拒否する結果となる。私もプロットなどを見て
仮説分布からの意味のある逸脱を評価します。
(2)パラメータ制限なしで適合度検定を実行するのではなく、いくつかのパラメータを固定すると適合度が変わると予想されます。パラメータを制限すると、元の適合度にはなかった制約が導入されるため、適合度が低下すると予想されます。たとえば、正規分布の平均をデータに適合させてから、平均を特定の値に制限した適合と比較すると、適合度は悪くなるだけで、良くなることはないと思います。これについてもう少し説明してください。
一般的に、適合度は悪くなり、GOFテストはそれを反映するだろうと予想しています。
そうでないところはどこですか?
適合性についてあなたの質問 (2) が理解できません。パラメータを制限すると適合度が悪くなるという点では意見が一致しているようです。それが私が言ったことであり、あなたが言っていることのように聞こえます。
適合度についてこんにちは@dlehman1 : はい、同意です! これに当てはまらない例はありますか?
適合度についてそのようなケースは知りませんが、私には存在しないように思えます。初期の無制限の適合は損失関数を最小化するため、初期の適合のアルゴリズムが最適でない限り、制限付きの適合はそれ以上の効果はないと思います。たとえば、局所的なソリューションが見つかったが、グローバルなソリューションが見つからなかった場合は、パラメータを決定空間の別の部分に制限すると、より良いソリューションが見つかるかもしれません。しかし、概念的には、制限付きの適合が制限なしの適合よりも優れていることは決してないと思います。これは理にかなっていますか?
適合度についてこんにちは@dlehman1 : 同意します。いくつか注意点があると思います:
- パラメータ推定方法。MoM (モーメント法)、MLE など。議論のために、正規分布を仮定します。s の MLE (および MoM 推定値) は、 「通常」使用される不偏推定値とは異なります (より小さい) 。sのどの推定値 ( mはサンプル平均によって推定される) が、GOF テストに対してより「適合」する結果になるでしょうか。よくわかりません。また、この例では、両方の推定値が一致しており、n が大きい場合、それらの差は無視できるほど小さいことがわかっています。
- GOF を評価するためにシミュレーションを使用する場合、特定の状況では、ここでの私たちの直感が（シミュレーション エラーによって）失敗する可能性がゼロではない可能性があると思います。しかし、私の考えでは、それは非常に低いように思われます。
ここには考えさせられることがたくさんあります!
適合性についてマーク様
フィードバックが遅くなり申し訳ありません。コミュニティへの登録で問題が発生しました。
今はすべて大丈夫です。
フィードバックをいただき、ありがとうございました。
よろしくお願いします、
シモーネ
