非正态分布数据的置信区间我对高级统计学和 JMP 还很陌生，所以我不确定我是否选择了正确的分析，但我希望有人可以帮助指导我。
我有一份 56 名已预约患者的名单，并且知道他们每个人等待的时间（以天为单位）。数据呈非正态分布，且明显右偏。经过分布拟合后，显示数据符合 Johnson Sb 分布。
我想计算 95% 的置信区间，这样我就可以说“提供预约的平均等待时间为 209 天，95% 的置信区间将在 135 天到 280 天之间。”
我尝试进行引导，但我得到的 CI 似乎与我拥有的原始数据不一致，所以我不知道我是否以正确的方式进行操作。
对我已有的数据进行 CI 是否可行且合适？如果可以，我该怎么做？
提前致谢...
基础数据分析与建模数据探索与可视化回复：非正态分布数据的置信区间这里的妙处在于，您正在为平均值形成一个置信区间。中心极限定理表明，随着样本量变得足够大，平均值将来自正态分布。因此，除非偏斜非常严重，否则 56 个样本量可能足以使中心极限定理成立。此外，由于您可能正在根据同一数据估计标准差，因此您将使用 t 值（JMP 的置信区间计算默认值）而不是 z 值，这可以更好地保证置信区间是合适的。
请记住，置信区间仅针对平均值。许多人仍然喜欢使用置信区间推断个别观察结果。
回复：非正态分布数据的置信区间嗨@丹_奥伯米勒 ，
非常感谢您的回复。
这是原始数据的分布图。这是 Johnson Sb...
这是否太过偏斜以致中心极限定理无法成立？
以下是汇总统计数据，希望对您有帮助。
这个 CI 对于这个数据集有意义吗？
或者我是否需要根据它的偏斜程度采取不同的做法？
谢谢，
诺艾琳
回复：非正态分布数据的置信区间这可能太偏斜或峰度可能太高。对于与这些相关的所需样本量，有一些经验法则，但很难找到（事实上，我现在似乎找不到它们）。所以，我不确定这些数据是否足以使用这些计算出的均值置信区间。然而，我认为有一件事情更令人担忧。你说 Johnson Sb 最适合数据 - 我认为这值得怀疑。首先，“最佳”拟合基于计算出的指标，它并不总是反映“良好”的拟合。其次，我认为许多分布可能同样（几乎）适合这些数据。例如，指数分布可能也有效。我确实认为 bootstrap 方法在这里是有意义的 - 并且考虑到您的数据集很小并且异常值的数量甚至更少，您可能希望使用分数权重 bootstrap。
回复：非正态分布数据的置信区间谢谢你，
我尝试了分数权重引导法，结果与我的预期一致。
我会研究“最佳”与“良好”的契合...感谢您的提醒。
回复：非正态分布数据的置信区间我很抱歉我的回复，但如果我是你，我会很想知道为什么预约的等待时间会有如此大的差异。我不知道他们在等什么，但他们似乎真的很长！。诚然，我是确定性的，并不认为置信区间对你的饱和度有用。由于影响他们每个人等待时间长度的因素来自不同的因果关系，这种差异可能无法预测。我会试图理解这一点（分析），而不是根据置信区间（枚举）做出预测。
