Analyse der Anpassungsgüte - Shapiro-Wilk- und Anderson-Darling-p-WerteHallo,
Ich war neugierig. Ich habe mir die Anpassungsgüte unter Verteilungen angesehen, indem ich „Angepasste Normalverteilung“ -> „Anpassungsgütetest“ verwendet habe, und aus dem, was ich bei der Interpretation der Ergebnisse gelesen habe, weiß ich, dass man bei kleinen p-Werten den Nullwert ablehnt und daraus schließen kann, dass die Daten nicht normal verteilt sind. Mein erster Blick auf die Spalte machte also deutlich, dass sie nicht normal verteilt ist (was ich erwartet hatte).
Also habe ich versucht, die Normalisierung mit Johnson Normalize durchzuführen und es damit erneut ausgeführt, aber es hat nicht funktioniert.
Also habe ich die Methode der Normalquantilen ausprobiert und sie erneut ausgeführt. Auf den ersten Blick dachte ich, dass sie funktioniert, aber dann fiel mir auf, dass der Shapiro-Wilk-p-Wert 0,0027 beträgt (was eine Ablehnung der Null rechtfertigen würde), der Anderson-Darling-p-Wert jedoch 0,1672 beträgt, was nicht der Fall ist.
Frage 1: Was tun Sie, wenn sie sich auf diese Weise widersprechen? Müssen beide zum gleichen Ergebnis kommen?
Frage 2: Ist es schlecht, auf diese Weise verschiedene Normalisierungsmethoden auszuprobieren? Wenn ja, haben Sie Vorschläge für Dokumentationen oder Videos, die bei der Auswahl der besten Methode helfen?
Grundlegende Datenanalyse und ModellierungDatenexploration und -visualisierungBetreff: Analyse der Anpassungsgüte - Shapiro-Wilk- und Anderson-Darling-p-Werte1: Sie stehen im Konflikt, weil sie unterschiedliche mathematische Berechnungen verwenden. Anderson-Darling reagiert empfindlicher auf Abweichungen im Schwanz. Auf Ihrem Bild sieht es in diesem normalen Diagramm ziemlich „wellig“ aus. Shapiro-Wilk könnte also dieses nicht normale Signal außerhalb der Enden auffangen.
2: schlecht? Ich weiß nicht. Es ist eine anerkannte Strategie, herauszufinden, welche Datentransformation in der Situation am besten funktionieren würde. Ich bin mir nicht sicher, ob ich sagen würde, dass sie schlecht ist. Ich mag die Box-Cox-Transformation jedoch lieber als alle anderen, wenn sie die Nicht-Normalverteilung behebt.
Ich denke jedoch, dass das ganze Setup eher eine akademische Diskussion ist. Was wäre, wenn das so wäre und warum ist die Normalitätsprüfung wichtig? Ich würde sagen, dass es mit ziemlicher Sicherheit so ist, dass die dafür aufgewendete Zeit nur zusätzliche Verarbeitung ist und im Kontext einer Geschäftsentscheidung nicht benötigt wird. Ihre Daten sehen aus wie Finanzzahlen. Und zwar wie sehr große. Daher ist es nicht so überraschend, dass sie nicht normal sind.
mehr Kontext könnte Ihnen mehr Antworten bringen.
Betreff: Analyse der Anpassungsgüte - Shapiro-Wilk- und Anderson-Darling-p-WerteHallo @ACraig : Eine Anmerkung zur „Transformation“ des Normalquantils. Unabhängig von der übergeordneten Verteilung führt die „Transformation“ des Normalquantils per Definition immer zu einer Normalverteilung. Sie ist eine Funktion der Ränge, nicht der Rohdaten. Dies ist also keine geeignete Transformation zur Normalität.
Wie @awelsh sagte, ist der Kontext hier wichtig; warum testen Sie auf Normalität?
Betreff: Analyse der Anpassungsgüte - Shapiro-Wilk- und Anderson-Darling-p-WerteHallo, ich freue mich sehr über das Feedback! Zu Ihrer Frage: Ich wollte einige ANOVA-Tests durchführen.
Betreff: Analyse der Anpassungsgüte - Shapiro-Wilk- und Anderson-Darling-p-WerteKombinieren Sie in den obigen Beispielen den gesamten Datensatz? Es könnten Unterschiede zwischen den Mittelwerten der Untergruppen sein, die die Nicht-Normalverteilung im kombinierten Datensatz verursachen. Überprüfen Sie in diesem Fall die Untergruppen einzeln auf Normalverteilung, nicht kombiniert.
Alternativ können Sie auch Alternativen wie X-bar- und R-Diagramme verwenden. Oder Welchs ANOVA. Wenn es sich um Finanzdaten handelt, sollten Sie die Mediane mit Mann-Whitney statt mit den Mittelwerten testen.
Betreff: Analyse der Anpassungsgüte - Shapiro-Wilk- und Anderson-Darling-p-WerteHallo @ACraig : FWIW und zusätzlich zu den sehr guten Kommentaren von @awelsh ist eine konstante Varianz (die SDs sind für jede Gruppe ähnlich) wichtiger als die Normalität.
