Student t-testi hakkında okudum, ancak orijinal dağılımların normal olarak dağıtıldığını varsayabildiğimizde işe yarıyor gibi görünüyor. Benim durumumda, kesinlikle değiller.
Ayrıca, 13 dağıtımım varsa, 13^2test yapmam gerekir mi?
Yanıtlar:
"Bağımlı" olduğu birçok duyu vardır.
(Potansiyel bir endişe, orijinal verilerin belki de ayrık olabileceği, açıklığa kavuşturulması gerektiği gibi görünmesidir.)
örneklem büyüklüğüne bağlı olarak normallik, t-testi için olduğu kadar büyük bir sorun olmayabilir. Büyük numuneler için en azından genellikle iyi seviyede sağlamlık vardır - Tip I hata oranları normalden çok uzak değilse çok kötü etkilenmemelidir. Güç, ağır kuyruklarla ilgili bir sorun olabilir.
Dağıtımda herhangi bir fark arıyorsanız, iki örnekli Kolmogorov-Smirnov testi gibi iki örnekli bir uyum iyiliği testi uygun olabilir (bunun yerine başka testler de yapılabilir).
Bir konum ailesinde konum türü farklılıkları veya ölçek ailesindeki ölçek farklılıkları, hatta yalnızca P (X> Y)> P (Y> X) türü bir ilişki arıyorsanız, bir Wilcoxon-Mann-Whitney iki numune testi uygun olabilir.
Duyarlı olmak istediğiniz farklılıkların türü (leri) için uygun bir istatistik bulabilirseniz, permütasyon veya bootstrap testleri gibi yeniden örnekleme testlerini düşünebilirsiniz.
Ayrıca, 13 dağıtımım varsa, 13 ^ 2 testi yapmam gerekir mi?
Eh hayır .
İlk olarak, - ve - - test etmeniz gerekmez (ikinci karşılaştırma gereksizdir).B B A
İkinci olarak, ve test etmenize gerek yoktur .A
Bu iki şey, ikili karşılaştırmaları 169'dan 78'e düşürdü.
Üçüncüsü, herhangi bir farklılığı kolektif olarak test etmek ve daha sonra belki de ilk null reddedilirse, hoc sonrası ikili testlerde ikili farklılıklara bakmak çok daha olağan (ama zorunlu değildir) olacaktır .
Örneğin, yukarıdaki madde 3'teki gibi bir Wilcoxon-Mann-Whitney yerine, gruplar arasındaki konum farklılıklarına duyarlı bir Kruskal-Wallis testi yapılabilir.
Ayrıca Kolmogorov-Smirnov testinin k-örnek versiyonları vardır ve diğer iki-örnek uyum iyiliği testlerinin bazılarının benzer testleri mevcut olabilir veya yapılabilir.
Ayrıca, yeniden örnekleme testlerinin ve t-testinin k-örnek versiyonları da vardır (örn., ANOVA, eğer örnek boyutları makul derecede büyükse iyi olabilir).
Neyle uğraştığımız ve en çok ne tür farklılıklarla ilgilendiğiniz hakkında daha fazla bilgi almak gerçekten güzel olurdu; veya başarısız olursa, bazı örneklerin QQ grafiklerini görmek için.
Evet, her dağıtımı diğerlerine karşı test etmekten daha iyisini yapamayacağınızı düşünüyorum ...
Sorunuzun bununla ilgili olduğunu düşünüyorsanız: 2 dağılımın karşılaştırılması
Bir Kolmogorov-Sminorv testi veya bir Cramér-Von Mises testi kullanmanızı tavsiye ederiz. Her ikisi de çok klasik yeterlilik testleridir.
In R, ks.testistatistik paketindeki işlev birincisini uygular. İkincisi, gibi paketlerde bulunabilir cramer.
Bu iki test hakkında bilgi edinmek için: http://en.wikipedia.org/wiki/Kolmogorov%E2%80%93Smirnov_test http://en.wikipedia.org/wiki/Cram%C3%A9r%E2%80%93von_Mises_criterion
Kruskal – Wallis tek yönlü varyans analizini deneyebilirsiniz
"Bağımsız veya ilişkili olmayan ikiden fazla örneği karşılaştırmak için kullanılır"
ANOVA'daki normallik ihlalleri
Rutherford'un Anova ve Ancova Tanıtımı: GLM Yaklaşımı 9.1.2 Normallik ihlalleri tartışıldı
İlk satır, "Kaynakların çoğu ANOVA'yı ... normalite varsayımının ihlallerine karşı sağlam olarak rapor etse de ..."