Testen Der Normalität In Stata Forex

Wenn wir meine Daten auf normalityquot testen Viele statistische Tests und Prozeduren gehen davon aus, dass Daten einer Normalverteilung folgen (Abbildung 1). Zum Beispiel nehmen alle folgenden statistischen Tests, Statistiken oder Methoden davon aus, dass Daten normal verteilt sind: Hypothesentests wie t Tests, Chi-Quadrat-Tests, F-Tests Analyse der Varianz (ANOVA) Least Squares Regression Control Charts von Einzelpersonen mit 3 - sigma-Grenzen Gemeinsame Formeln für Prozessfähigkeitsindizes wie Cp und Cpk Vor dem Anwenden statistischer Methoden, die die Normalität annehmen, ist es notwendig, einen Normalitätstest auf den Daten durchzuführen (mit einigen der oben genannten Methoden überprüfen wir Residuen auf Normalität). Wir vermuten, dass unsere Daten einer Normalverteilung folgen und diese Hypothese nur ablehnen, wenn wir starke Beweise für das Gegenteil haben. Während es vielleicht verlockend ist, die Normalität der Daten zu beurteilen, indem einfach ein Histogramm der Daten erzeugt wird, ist dies keine objektive Methode, um die Normalität zu testen, insbesondere bei nicht größeren Probengrößen. Bei kleinen Stichprobengrößen ist die Form des Histogramms schwierig. Weiterhin kann sich die Form des Histogramms durch einfaches Ändern der Intervallbreite der Histogrammstäbe erheblich ändern. Normales Wahrscheinlichkeits-Plotten kann verwendet werden, um objektiv zu beurteilen, ob Daten von einer normalen Verteilung kommen, selbst bei kleinen Stichprobengrößen. Bei einer Normalwahrscheinlichkeit werden Daten, die einer Normalverteilung folgen, linear (eine Gerade). Zum Beispiel führt eine zufällige Stichprobe von 30 Datenpunkten aus einer Normalverteilung zu dem ersten Normalwahrscheinlichkeitsdiagramm (Abbildung 2). Hier liegen die Datenpunkte in der Nähe der Geraden. Das zweite normale Wahrscheinlichkeitsdiagramm (Abbildung 3) veranschaulicht Daten, die nicht aus einer Normalverteilung stammen. Abbildung 2: Normalwahrscheinlichkeitsdiagramm zur Veranschaulichung der Normalverteilung Abbildung 3: Normalwahrscheinlichkeitsdiagramm, das die Nicht-Normalverteilung veranschaulicht Viele Methoden stehen zur Verfügung, um nicht-normale Daten zu verarbeiten, und diese sollten bei Bedarf verwendet werden. Die Anwendung von Methoden, die die Normalverteilung übernehmen, wenn diese Annahme nicht gültig ist, führt oft zu falschen Schlussfolgerungen. Laden Sie das Whitepaper herunter, wie Sie ein Mini Six Sigma Quality Programm auf einer budgetIndiana Universität starten können IUScholarWorks Univariate Analyse und Normalitätstest mit SAS, Stata und SPSS Schlüsselwörter: Univariate Analyse, Normalitätstest, SAS, Stata und SPSS Rechte: Copyright 2015 von den Treuhändern der Indiana University. Dieser Inhalt wird unter der Creative Commons Attribution 3.0 Unported Lizenz veröffentlicht (creativecommons. orglicensesby3.0). : Beschreibende Statistiken liefern wichtige Informationen über zu analysierende Variablen. Mittelwert, Median und Modus messen zentrale Tendenz einer Variablen. Die Dispersionsmessungen umfassen Varianz, Standardabweichung, Bereich und interquantile Bereich (IQR). Forscher können ein Histogramm, Stamm-und-Blatt-Plot oder Box-Plot zu sehen, wie eine Variable verteilt wird.13 13 Statistische Methoden basieren auf verschiedenen zugrunde liegenden Annahmen. Eine gemeinsame Annahme ist, dass eine Zufallsvariable normalerweise verteilt wird. In vielen statistischen Analysen wird die Normalität oft ohne irgendwelche empirischen Beweise oder Tests angenommen. Aber die Normalität ist in vielen statistischen Methoden kritisch. Wenn diese Annahme verletzt wird, kann Interpretation und Schlussfolgerung nicht zuverlässig oder gültig sein.13 13 Der t-Test und ANOVA (Varianzanalyse) vergleichen die Gruppenmittel, vorausgesetzt, dass eine Variable von Interesse einer normalen Wahrscheinlichkeitsverteilung folgt. Ansonsten machen diese Methoden nicht viel Sinn. Abbildung 1 zeigt die normale normale Wahrscheinlichkeitsverteilung und eine bimodale Verteilung. Wie können Sie Mittel dieser beiden zufälligen Variablen vergleichen 13 13 Es gibt zwei Möglichkeiten, die Normalität zu testen (Tabelle 1). Grafische Methoden visualisieren die Verteilungen von zufälligen Variablen oder Unterschiede zwischen einer empirischen Verteilung und einer theoretischen Verteilung (z. B. der Standard-Normalverteilung). Numerische Methoden präsentieren zusammengefasste Statistiken wie Schiefe und Kurtosis oder führen statistische Tests der Normalität durch. Grafische Methoden sind intuitiv und leicht zu interpretieren, während numerische Methoden objektive Wege zur Untersuchung der Normalität bieten. DSpace