非常態分佈資料的置信區間我對高級統計和 JMP 非常陌生，所以我不確定我是否選擇了正確的分析，但我希望有人可以幫助指導我。
我有一份 56 名接受預約的患者的名單，並且我有他們每個人等待的時間（以天為單位）。數據具有顯著右偏的非常態分佈。分佈擬合後，顯示資料為擬合的 Johnson Sb 分佈。
我想計算 95% 置信區間，這樣我就可以說“預約的平均等待時間是 209 天，95% 置信區間將在 135 天到 280 天之間。”
我嘗試進行引導，但我得到的 CI 似乎與我擁有的原始數據不一致，所以我不知道我是否以正確的方式進行操作。
對我擁有的數據進行 CI 是否可能且合適？如果是這樣，我該怎麼辦？
提前致謝...
基礎資料分析與建模數據探索和視覺化回覆：非常態分佈資料的置信區間這裡的美妙之處在於您正在形成平均值的置信區間。中心極限定理表明，當樣本量足夠大時，平均值將服從常態分佈。因此，除非偏度非常嚴重，否則 56 的樣本量可能足以滿足中心極限定理的成立。此外，由於您可能根據相同資料估計標準差，因此您將使用 t 值（JMP 置信區間計算的預設值）而不是 z 值，這可以更好地保證置信區間是適當的。
請記住，置信區間僅適用於平均值。許多人仍然喜歡使用置信區間對個人觀察結果進行推論。
回覆：非常態分佈資料的置信區間嗨@丹_奧伯米勒 ，
非常感謝您的回覆。
這是原始資料的分佈圖。這是約翰遜SB...
這對於中心極限定理來說是否太傾斜而無法成立？
以下是匯總統計數據，以防有幫助。
這個 CI 對於這個資料集有意義嗎？
或者我需要根據其偏度做不同的事情？
謝謝，
諾艾琳
回覆：非常態分佈資料的置信區間這可能太偏斜或峰度可能太高。對於與每一個相關的所需樣本量都有經驗法則，但它們很難找到（事實上，我現在似乎找不到它們）。因此，我不確定這些數據是否足以使用那些計算出的置信區間作為平均值。然而，我認為有一點更值得關注。你說 Johnson Sb 最適合數據——我認為這是值得懷疑的。首先，「最佳」擬合是基於計算得出的指標，該指標並不總是反映「良好」擬合。其次，我認為許多分佈可能同樣（幾乎）同樣適合該數據。例如，指數分佈可能也有效。我確實認為引導方法在這裡是有意義的 - 鑑於您的資料集很小並且異常值的數量甚至更小，您可能希望使用分數權重引導方法。
回覆：非常態分佈資料的置信區間謝謝你，
我嘗試了分數權重引導程序，結果符合我的預期。
我將研究“最佳”與“良好”適合...感謝您對此的提醒。
回覆：非常態分佈資料的置信區間對於我的回复，我深表歉意，但如果我是您，我會有興趣了解為什麼預約等待時間差異如此之大。我不知道他們在等什麼，但他們看起來真的很長！誠然，我是確定性的，並且不認為置信區間對您的飽和度有用。這種變化可能是不可預測的，因為影響每個人等待時間長度的因素來自不同的因果關係。我會尋求理解這一點（分析），而不是根據置信區間（枚舉）進行預測。
