正态性检验方法比较.docVIP

正态性检验方法的比较 实际获得的数据，其分布往往未知。在数据分析中，经常要判断一组数据的分布是否来自某一特定的分布，比如对于连续性分布，常判断数据是否来自正态分布，而对于离散分布来说，常判断是否来自二项分布.泊松分布，或判断实际观测与期望数是否一致，然后才运用相应的统计方法进行分析。以下是几种正态性检验方法的比较。 一、== 其中fi为样本中Ai发生的实际频数,npi为H0为真时Ai发生的理论频数。 （2）检验原理 若=0，则fi=npi,意味着对于Ai，观测频数与期望频数完全一致，即完全拟合。 观察频数与期望频数越接近，则值越小。 当原假设为真时，有大数定理，与pi不应有较大差异，即值应较小。 若值过大，则怀疑原假设。 拒绝域为R={=d} ，判断统计量是否落入拒绝域，得出结论。 二、Kolmogorov-Smirnov正态性检验： Kolmogorov-Smirnov检验法是检验单一样本是否来自某一特定分布。比如检验一组数据是否为正态分布。它的检验方法是以样本数据的累积频数分布与特定理论分布比较，若两者间的差距很小，则推论该样本取自某特定分布族。即对于假设检验问题： H0:样本所来自的总体分布服从某特定分布 H1：样本所来自的总体分布不服从某特定分布 统计原理：Fo（x）表示分布的分布函数，Fn（x）表示一组随机样本的累计概率函数。 设D为Fo(x)与Fn（x）差距的最大值，定义如下式: D=max/Fn(x)-Fo(x)/ 对于给定的a，P{Dnd}=a,其中P{Dnd}=a 结论：当实际观测DDn,则接受H1，反之则不拒绝H0假设。 *拟合优度检验与K-S正态检验的比较： 拟合优度检验与K-S正态检验都采用实际频数与期望频数进行检验。他们之间最大的不同在于前者主要用于类别数据，而后者主要用于有计量单位的连续和定量数据，拟合优度检验虽然也可以用于定量数据，但必须先将数据分组才能获得实际的观测数据，而K-S正态检验法可以把原始数据的n个观测值进行检验，所以它对数据的利用较完整。 三、Lilliefor正态分布检验 当总体均值和方差未知时，Lilliefor提出用样本均值和标准差代替总体的期望和标准差，然后使用Kolmogorov-Smirnov正态性检验法，它定义了一个D统计量; D=max/ Fn（x）- Fo（x）/参数未知，由计算得到统计量，查表得Lilliefor检验的临界值，确定拒绝域，得出结论。 四、偏度峰度检验法： 偏度系数 峰度系数 （一）、S.K的极限分布 类似于参数估计中的U检验法，即借助正态分布构造小概率事件。其检验统计量为： E(S)=0 D(S)=6/n E(K)=0 D(K)=24/n （二）、Jarque-Bera 检验： 检验统计量 ,其中S是偏度，K是峰度，k是序列估计式中参数的个数。 JB检验属于偏度，峰度联合检验法，P值越大，越认为服从正态分布。一般认为，P0.4，则保留原假设。 五、小样本场合（3n50）的W检验 w检验是检验样本容量n ≤50时，样本是否符合正态分布的一种方法。其检验步骤如下： 将数据按数值大小重新排列，使x1≤x2≤…≤xn；计算 计算 式中：当n为偶数时，=n/2；n为奇数时，=（n－1）/2； 值可查表得出； 计算检验统计量 ⑤若Ｗ值小于判断界限值Ｗα（可通过查表求得），按表上行写明的显著性水平α舍弃正态性假设；若ＷＷα,接受正态性假设。 七、各种正态性检验方法的比较：一般通用的方法有检验以及K检验，但检验精度较低。 偏度检验对非对称、长尾分布较敏感；峰度检验对对称分布较敏感；W 检验对各种分布（特别对非对称分布）都很敏感。当总体均值和方差未知且无先验信息时用Lilliefor正态检验.大样本情况下D检验是比较好的检验方法。但我们要知道，检验方法的功效性都是随着样本量的增大而增大的。