数值变量正态性检验常用方法的对比及SPSS&R实现
一、方法概述
正态分布又叫高斯分布,“正态”即“正常的状态”,本意是说如果在观察或试验中不出现重大的失误,则结果应遵循这种模式的分布——尽管随着人们实践经验的积累发现事实并非如此。正态分布之所以得到普遍重视,除了它可以用来刻画数值变量的分布特征外,另一个重要原因要归功于Fisher及其同时代的若干杰出学者。他们对正态总体下一系列重要的统计量建立了形式简约且在计算上可行的小样本理论,为统计推断提供了极大的方便,而在非正态的情况下则没有可比拟的结果[1,2]。基于此,人们在实际统计分析时,总是乐于采用正态假定。人们在对一个数值变量进行分析之前,可以参照既往基于大样本所推测的变量分布形式,确定正态性假定的合理性。然而,有时既往文献中没有基于大样本的变量分布形式定论,致使研究者对正态性假定是否合理无充分的把握。这时就需要使用实际的观测数据,实施正态性检验。
二、软件实现
统计分析包括统计描述和统计推断[1],正态性的分析主要包括统计图绘制,及统计指标的计算与检验两种方法。利用统计图可以直观地呈现变量的分布,同时还可以呈现出经验分布和理论分布的差距。峰度、偏度就是两个常用的正态性描述统计指标,通过构建检验统计量还能实现正态性检验,Shapiro-Wilk检验、Kolmogorov-Smirnov、偏度峰度联合检验(Jarque–Bera检验)、GramerVon-Mises检验等均是通过构建检验统计量对样本进行正态性检验。具体见表1。
如表1所示,直方图、茎叶图和箱式图为主观的基于统计图的正态性描述方法,而统计描述指标峰度检验和偏度检验可以被认为是一种客观的数值计算的正态性检验方法。基于统计推断的概率图、P-P图、Q-Q图为客观的图表判断的正态性检验方法,而基于数值计算的常用的统计软件,如SAS,SPSS,R,STATA均有相关命令或者过程步基于样本数据对总体的正态性进行检验,表2给出了常见的四种统计软件实现上述正态性检验方法的命令语句,以及各种方法使用过程中对样本量的要求。
三、方法选择流程图
下图是正态性检验的方法选择的流程图,大家可根据样本数据情况选择不同的方法。
四、SPSS中正态性检验操作演示
下面我们来看一组数据,并检验“期初平均分” 数据是否呈正态分布(此数据已在SPSS里输入好):
在SPSS里执行“分析—>描述统计—>频数统计表”(菜单见下图,英文版的可以找到相应位置),然后弹出左边的对话框,变量选择左边的“期初平均分”,再点下面的“图表”按钮,弹出图中右边的对话框,选择“直方图”,并选中“包括正态曲线”。
设置完后点“确定”,就后会出来一系列结果,包括2个表格和一个图,我们先来看看最下面的图,见下图,
上图中横坐标为期初平均分,纵坐标为分数出现的频数。从图中可以看出根据直方图绘出的曲线是很像正态分布曲线。如何证明这些数据符合正态分布呢,光看曲线还不够,还需要检验:
检验方法一:看偏度系数和峰度系数
我们把SPSS结果最上面的一个表格拿出来看看(见下图):
偏度系数Skewness=-0.333;峰度系数Kurtosis=0.886;两个系数都小于1,可认为近似于正态分布。
检验方法二:单个样本K-S检验
在SPSS里执行“分析—>非参数检验—>单个样本K-S检验,弹出对话框,检验变量选择“期初平均分”,检验分布选择“正态分布”,然后点“确定”。
检验结果为:
从结果可以看出,K-S检验中,Z值为0.493,P值(sig 2-tailed)=0.968>0.05,因此数据呈近似正态分布
检验方法三:Q-Q图检验
在SPSS里执行“图表—>Q-Q图”,弹出对话框,见下图:
变量选择“期初平均分”,检验分布选择“正态”,其他选择默认,然后点“确定”,最后可以得到Q-Q图检验结果,结果很多,我们只需要看最后一个图,见下图。
QQ Plot中,各点近似围绕着直线,说明数据呈近似正态分布。
五、R:正态性检验
(1)QQ概率图
功能和原理:检验样本的概率分布是否服从某种理论分布。PP概率图的原理是检验实际累积概率分布与理论累积概率分布是否吻合,若吻合,则散点应围绕 在一条直线周围,或者实际概率与理论概率之差分布在对称于以0为水平轴的带内。QQ概率图的原理是检验实际分位数与理论分位数之差分布是否吻合,若吻合,则散点应围绕在一条直线周围,或者实际分位数与理论分位数之差分布在对称于以0为水平轴的带内。QQ概率图以样本的分位数为横轴,以指定理论分布的分位数为纵轴绘制散点图。
> library(DAAG)
> data(possum)
> attach(possum)
The following object(s) are masked from 'possum (position 12)':
age, belly, case, chest, earconch, eye, footlgth, hdlngth, Pop,
sex, site, skullw, taill, totlngth
> fpossum <- possum[possum$sex=="f",]
> mean = mean(totlngth)
> sd = sd(totlngth)
> x <- sort(totlngth)
> n <- length(x)
> y <- (1:n)/n
>
> plot(x,y,
+ type = 's',
+ main = "Empirical CDF of ")
> curve(pnorm(x, mean, sd),
+ col = 'red',
+ lwd = 2,
+ add = T)
图形表示,数据与正态性略有差异,特别是中部区域。
(2)与正态密度函数直接比较
> library(DAAG)
> data(possum)
> attach(possum)
The following object(s) are masked from 'possum (position 13)':age, belly, case, chest, earconch, eye, footlgth, hdlngth, Pop,
sex, site, skullw, taill, totlngth
> fpossum <- possum[possum$sex=="f",]
> dens <- density(totlngth)
> xlim <- range(dens$x)
> ylim <- range(dens$y)
> mean = mean(totlngth)
> sd = sd(totlngth)
> par(mfrow=c(1,2))
>
> hist(totlngth,
+ breaks=72.5+(0:5)*5,
+ xlim = xlim ,
+ ylim = ylim ,
+ probability = T ,
+ xlab = "total length",
+ main = "A:Breaks at 72.5...")
> lines(dens,
+ col = par('fg'),
+ lty = 2)
> curve( dnorm(x, mean, sd),
+ col = 'red',
+ add = T)
>
> hist(totlngth,
+ breaks = 75 + (0:5) * 5 ,
+ xlim = xlim,
+ ylim = ylim,
+ probability = T,
+ xlab="total length",
+ main = "B:Breaks at 75")
> lines(dens,
+ col = par('fg'),
+ lty = 2)
> curve(dnorm(x,mean,sd),
+ col = 'red',
+ add = T)
看图直接看和正态密度函数的差异度。
(3)使用经验分布函数,直接比较数据的经验分布函数和正态分布的分布函数对比。
> library(DAAG)
> data(possum)
> attach(possum)
The following object(s) are masked from 'possum (position 14)':age, belly, case, chest, earconch, eye, footlgth, hdlngth, Pop,
sex, site, skullw, taill, totlngth
> fpossum <- possum[possum$sex=="f",]
> mean = mean(totlngth)
> sd = sd(totlngth)
> x <- sort(totlngth)
> n <- length(x)
> y <- (1:n)/n
>
> plot(x,y,
+ type = 's',
+ main = "Empirical CDF of ")
> curve(pnorm(x, mean, sd),
+ col = 'red',
+ lwd = 2,
+ add = T)
总体来说,数据并不完全服从正态分布,需要做进一步检验,看和正态分布的差距多大,是否在接受范围之内?
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14