R语言数据统计1 |
您所在的位置：网站首页 › qq图检验正态分布 › R语言数据统计1 |
R语言数据统计1
|
引用
正态性检验之qqplot和ppplot原理及R语言实现 QQ图 KS检验和SW检验的区别 t检验算法及其在R语言中的实现 R语言做正态分布检验 R语言与统计分析 数据统计中的方差分析第一步应该是检查数据，其次做正态性检验。 而正态性检验： KS检验（样本量>5000）SW检验(样本量 qqline(d)
ad.test是Anderson-Darling正态性检验,; cvm.test是Cramer-von Mises正态性检验; lillie.test是Lilliefors (Kolmogorov-Smirnov)正态性检验; pearson.test是pearson卡方正态性检验; sf.test是Shapiro-Francia正态性检验, 用这些检验验证a,b的正态性 fBasics包 #1 > library(nortest) > lillie.test(d) Lilliefors (Kolmogorov-Smirnov) normality test data: d D = 0.033671, p-value = 0.009551Lilliefor test是K-S检验的修正。在R中使用Lillefor检验，就相当于在SPSS中正态性检验的Kolmogorov-Smirnov的lilliefors的修正值，二者结果是相同的。 需要注意的是，K-S检验只需要K-S检验默认是检验是否符合标准正态分布，所以我们需要先用scale函数对需要检测的数据标准化。 #2 > ks.test(d,"pnorm") One-sample Kolmogorov-Smirnov test data: d D = 1, p-value ks.test(scale(d),"pnorm") One-sample Kolmogorov-Smirnov test data: scale(d) D = 0.033671, p-value = 0.2069 alternative hypothesis: two-sided D值越小，越接近0，表示样本数据越接近正态分布(D越小越好)；P小于显著性水平α(0.05)，则拒绝H0（p越大越好） 3.S-W检验 夏皮洛-威尔克检验(Shapiro—Wilk test)，简称S-W检验。 > shapiro.test(d) Shapiro-Wilk normality test data: d W = 0.99736, p-value = 0.1031W接近1,p值大于0.05，所以数据为正态分布 两种正态性检验方法，包括S-W检验和K-S检验。小样本(小于50)时建议使用S-W检验，大样本(大于50)时建议使用K-S检验；此两个检验的原假设为数据正态分布，因而P值>0.05，说明该项具有正态分布特质。 KS检验和SW检验的区别， 这里很有误导性，到底样本啥样呢，我1000的样本，用Lilliefor test检验，P 5000结果以Kolmogorov-Smirnov为准. 而SAS 规定: 当样本含量n ≤ 2000时, 结果以Shapiro-Wilk为准, 当样本含量n >2000时, 结果以Kolmogorov-Smirnov为准. 写到最后，到底一组数据如何去判断呢？个人倾向于SPSS规定，说句不严谨的话，数据没有异常值，都是好数据，你说呢。 #当我把d取到10000时报错 > shapiro.test(d) Error in shapiro.test(d) : 样本大小必需在3和5000之间`看完如果对你有帮助，感谢点赞支持！ 如果你是电脑端，看到右下角的 “一键三连” 了吗，没错点它[哈哈] |
【本文地址】
今日新闻 |
推荐新闻 |