正态性检验方法比较doc.doc

正态性检验方法的比较 正态分布是许多检验的基础，比如F检验，t检验，卡方检验等在总体不是正太分布是没有任何意义。因此，对一个样本是否来自正态总体的检验是至关重要的。当然，我们无法证明某个数据的确来自正态总体，但如果使用效率高的检验还无法否认总体是正太的检验，我们就没有理由否认那些和正太分布有关的检验有意义，下面我就对正态性检验方法进行简单的归纳和比较。 一.图示法 1.P-P图 以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，以样本值表现为直角坐标系的散点。如果数据服从正态分布，则样本点应围绕第一象限的对角线分布。 2. Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系的散点。如果数据服从正太分布，则样本点应围绕第一象限的对角线分布。 以上两种方法以Q-Q图为佳，效率较高。 3.直方图 判断方法：是否以钟型分布，同时可以选择输出正态性曲线。 4.箱线图 判断方法：观察矩形位置和中位数,若矩形位于中间位置且中位数位于矩形的中间位置，则分布较为对称，否则是偏态分布。 5.茎叶图 判断方法：观察图形的分布状态,是否是对称分布。 二．偏度、峰度检验法： 1. S,K的极限分布 样本偏度系数 该系数用于检验对称性，S0时，分布呈正偏态，S0时，分布呈负偏态。 样本峰度系数 该系数用于检验峰态，K0时为尖峰分布，S0时为扁平分布；当S=0，K=0时分布呈正态分布。 :F(x)服从正态分布 ：F(x)不服从正态分布 当原假设为真时，检验统计量 对于给定的 R 其中 2. Jarque-Bera检验（偏度和峰度的联合分布检验法） 检验统计量为 JB= JB过大或过小时，拒绝原假设。 三．非参数检验方法 1.Kolmogorov-Smirnov正态性检验（基于经验分布函数（ECDF）的检验） 表示一组随机样本的累计概率函数，表示分布的分布函数。 当原假设为真时，D的值应较小，若过大，则怀疑原假设，从而，拒绝域为 对于给定的 又 2.Lilliefor正态性检验 该检验是对Kolmogorov-Smirnov检验的修正，参???未知时，由可计算得检验统计量的值。 3.Shapiro-Wilk(W检验) 检验统计量： 当原假设为真时，W的值应接近于1，若值过小，则怀疑原假设，从而拒绝域为 R 在给定的水平下 P = 4. 拟合优度检验（也是基于经验分布函数（ECDF）的检验） 检验统计量为 r是被估参数的个数 若原假设为真时，应较小，否则就怀疑原假设，从而拒绝域为，对于给定的 又 四.方法的比较 1.图示法相对于其他方法而言，比较直观，方法简单，从图中可以直接判断，无需计算，但这种方法效率不是很高，它所提供的信息只是正态性检验的重要补充。 2.经常使用的拟合优度检验和Kolmogorov-Smirnov检验的检验功效较低，在许多计算机软件的Kolmogorov-Smirnov检验无论是大小样本都用大样本近似的公式，很不精准，一般使用Shapiro-Wilk检验和Lilliefor检验。 3. Kolmogorov-Smirnov检验只能检验是否一个样本来自于一个已知样本，而Lilliefor检验可以检验是否来自未知总体。 4. Shapiro-Wilk检验和Lilliefor检验都是进行大小排序后得到的，所以易受异常值的影响。 5. Shapiro-Wilk检验只适用于小样本场合（3n50）,其他方法的检验功效一般随样本容量的增大而增大。 6. 拟合优度检验和Kolmogorov-Smirnov检验都采用实际频数和期望频数进行检验，前者既可用于连续总体，又可用于离散总体，而Kolmogorov-Smirnov检验只适用于连续和定量数据。 7．拟合优度检验的检验结果依赖于分组，而其他方法的检验结果与区间划分无关。 8.偏度和峰度检验易受异常值的影响，检验功效就会降低。 9.假设检验的目的是拒绝原假设，当p值不是很大时，应根据数据背景再作讨论。 参考文献： [1]王星:《非参数统计》2005 [2]吴喜之:《非参数统计》1999 [3]贾俊平、何晓群、金勇进:《统计学》2008 [4]茆诗松、周纪芗:《概率论与数理统计》2008 [5]吴喜之、赵博娟:《非参数统计》2009 [6]《资料的正态性检验汇总》2009