“Tersine çevrilmiş” Shapiro – Wilk

Wikipedia'ya göre Sharipo-Wilk testi null hipotezini test eder ( ) "Popülasyon normal olarak dağıtılır".$H_0$

Ben benzer bir normallik testi için arıyorum "nüfus değil normal dağılımlı".$H_0$

Böyle bir test sahip, ben önem düzeyinde iff reddetmek için bir değeri hesaplamak istiyorum ; popülasyonumun normal olarak dağıldığını kanıtlıyorum.$p$$H_0$$\alpha$$p < \alpha$

Lütfen not Sharipo-Wilk testi kullanılarak ve kabul olduğunu IFF bir olan yanlış yaklaşımı bu anlamıyla "Biz H0 tutmadığı kanıtlamak için yeterli kanıt var" anlamına beri.$H_0$$p > \alpha$

İlgili konu - ait anlam -değeri$p$ , normallik yararsız test ediyor? , ama sorunuma bir çözüm göremiyorum.

Sorular: Hangi testi kullanmalıyım? R'de uygulandı mı?

Veri bir testte diye bir şey yoktur edilir normalde dağıttı. Veri olduğunu sadece testler vardır değil normalde dağıttı. Böylece, Shapiro-Wilk gibi testler vardır, burada (diğerleri vardır), ancak boş değerin popülasyonun normal olmadığı ve alternatif hipotez popülasyonun normal olduğu konusunda hiçbir test yoktur. $H_0\!: \rm normal$

Tek yapabileceğiniz, umursadığınız normallikten ne tür bir sapma olduğunuzu (örneğin, çarpıklık) ve bu sapmanın sizi rahatsız etmeden önce ne kadar büyük olması gerektiğini bulmaktır. Ardından, verilerinizdeki mükemmel normallikten sapmanın kritik miktardan daha az olup olmadığını test edebilirsiniz. Genel fikir hakkında daha fazla bilgi için cevabımı burada okumak yardımcı olabilir: İstatistikçiler null hipotezi kabul etmek yerine neden anlamlı olmayan bir sonucun “sıfırı reddedemezsiniz” anlamına geldiğini söylüyor?

H0 önem düzeyi α iff p <α'da reddetmek için bir p değeri hesaplamak istiyorum; popülasyonumun normal olarak dağıldığını kanıtlamak

Normal dağılım, veriler bir dizi ilave iid olayı tarafından üretildiğinde ortaya çıkar (aşağıdaki quincunx görüntüsüne bakın). Bu, geri bildirim ve korelasyon olmadığı anlamına gelir, bu verilerinizi yönlendiren sürece benziyor mu? Değilse, muhtemelen normal değildir.

Sizin durumunuzda böyle bir işlemin meydana gelme ihtimali vardır. "Kanıtlamak" için gelebilecek en yakın insanların gelip (muhtemelen pratik değil) diğer dağıtımları göz ardı etmek için yeterli veri toplamaktır. Başka bir yol, diğer tahminlerle birlikte bazı teorilerden normal dağılımı çıkarmaktır. Veriler hepsiyle tutarlıysa ve kimse başka bir açıklama düşünemezse, bu normal dağılım lehine iyi bir kanıt olacaktır.

https://en.wikipedia.org/wiki/Bean_machine

Eğer herhangi bir spesifik dağıtımın a priori olmasını beklemiyorsanız, verileri özetlemek için normal dağılımı kullanmak makul olabilir, ancak bunun aslında cehalet dışında bir seçim olduğunu kabul edin ( https://en.wikipedia.org/wiki/ Maksimum_entropinin prensibi ). Bu durumda, popülasyonun normal olarak dağıtılıp dağıtılmadığını bilmek istemezsiniz, bunun yerine normal dağılımın bir sonraki adımınız ne olursa olsun makul bir yaklaşım olup olmadığını bilmek istersiniz.

Bu durumda, verilerinizi (veya benzer olan oluşturulan verileri) ve onunla ne yapmayı planladığınızın bir açıklamasını sağlamanız gerekir, ardından "Bu durumda normallik varsayımı hangi yollarla beni yanlış yönlendirebilir?"

Verilerinizde bir Normallik varsayımını asla "kanıtlayamazsınız". Sadece bir varsayım olarak aleyhinize delil sunun. Shapiro-Wilk testi bunu yapmanın bir yoludur ve her zaman Normallik varsayımını haklı çıkarmak için kullanılır. Bunun nedeni, Normallik olduğunu varsayarak başlamanızdır. Sonra soruyorsunuz, verilerim aptalca bir varsayımda bulunduğumu gösteriyor mu? Böylece Shapiro-Wilk ile test edersiniz. Eğer sıfır hipotezini reddedemezseniz, veriler saçma bir varsayım yaptığınızı göstermez.

$Y, X$