<\/p>\n
Wenn wir testen m\u00f6chten, ob eine einzelne Variable normalverteilt ist oder nicht, k\u00f6nnen wir ein QQ-Diagramm<\/a> erstellen, um die Verteilung zu visualisieren, oder einen formalen statistischen Test wie einen Anderson-Darling-Test<\/a> oder einen Jarque-Bera-Test durchf\u00fchren.<\/span><\/p>\n Wenn wir jedoch testen m\u00f6chten, ob mehrere<\/em> Variablen als Gruppe normalverteilt sind, m\u00fcssen wir einen multivariaten Normalit\u00e4tstest<\/strong> durchf\u00fchren.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie Sie die folgenden multivariaten Normalit\u00e4tstests f\u00fcr einen bestimmten Datensatz in R durchf\u00fchren:<\/span><\/p>\n Verwandt:<\/strong> Wenn wir Ausrei\u00dfer in einem multivariaten Kontext identifizieren m\u00f6chten, k\u00f6nnen wir die Mahalanobis-Distanz<\/a> verwenden.<\/span><\/p>\n Der Mardia-Test<\/strong> bestimmt, ob eine Gruppe von Variablen einer multivariaten Normalverteilung folgt oder nicht. Die Null- und Alternativhypothese des Tests lauten wie folgt:<\/span><\/p>\n H 0<\/sub> (null): Die Variablen folgen einer multivariaten Normalverteilung.<\/span><\/p>\n H a<\/sub> (alternativ): Die Variablen folgen keiner<\/em> multivariaten Normalverteilung.<\/span><\/p>\n Der folgende Code zeigt, wie dieser Test in R mit dem QuantPsyc-<\/strong> Paket durchgef\u00fchrt wird:<\/span><\/p>\n Die Funktion mult.norm()<\/strong> testet die multivariate Normalit\u00e4t sowohl bei der Schiefe als auch bei der W\u00f6lbung des Datensatzes. Da beide p-Werte nicht kleiner als 0,05 sind, k\u00f6nnen wir die Nullhypothese des Tests nicht ablehnen. Wir haben keine Hinweise darauf, dass die drei Variablen in unserem Datensatz keiner multivariaten Verteilung folgen.<\/span><\/p>\n Ein Energietest<\/strong> ist ein weiterer statistischer Test, der bestimmt ,<\/strong> ob eine Gruppe von Variablen einer multivariaten Normalverteilung folgt oder nicht. Die Null- und Alternativhypothese des Tests lauten wie folgt:<\/span><\/p>\n H 0<\/sub> (null): Die Variablen folgen einer multivariaten Normalverteilung.<\/span><\/p>\n H a<\/sub> (alternativ): Die Variablen folgen keiner<\/em> multivariaten Normalverteilung.<\/span><\/p>\n Der folgende Code zeigt, wie dieser Test in R mit dem Energiepaket<\/b> durchgef\u00fchrt wird:<\/span><\/p>\n Der p-Wert des Tests betr\u00e4gt 0,31<\/strong> . Da dieser Wert nicht weniger als 0,05 betr\u00e4gt, k\u00f6nnen wir die Nullhypothese des Tests nicht ablehnen. Wir haben keine Hinweise darauf, dass die drei Variablen in unserem Datensatz keiner multivariaten Verteilung folgen.<\/span><\/p>\n Hinweis:<\/strong> Das Argument R=100 gibt 100 Boost-Mapping-Replikate an, die beim Ausf\u00fchren des Tests verwendet werden sollen. Bei Datens\u00e4tzen mit kleineren Stichprobengr\u00f6\u00dfen k\u00f6nnen Sie diese Zahl erh\u00f6hen, um eine zuverl\u00e4ssigere Sch\u00e4tzung der Teststatistik zu erhalten.<\/em><\/span><\/p>\n So erstellen und interpretieren Sie ein QQ-Diagramm in R<\/a> Wenn wir testen m\u00f6chten, ob eine einzelne Variable normalverteilt ist oder nicht, k\u00f6nnen wir ein QQ-Diagramm erstellen, um die Verteilung zu visualisieren, oder einen formalen statistischen Test wie einen Anderson-Darling-Test oder einen Jarque-Bera-Test durchf\u00fchren. Wenn wir jedoch testen m\u00f6chten, ob mehrere Variablen als Gruppe normalverteilt sind, m\u00fcssen wir einen multivariaten Normalit\u00e4tstest durchf\u00fchren. In diesem Tutorial […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: Mardias Test in R<\/strong><\/span><\/h3>\n
library<\/span> (QuantPsyc)\n\n#create dataset\nset.seed(0)\n\ndata <- data.frame(x1 = rnorm(50),\n x2 = rnorm(50),\n x3 = rnorm(50))<\/span>\n\n#perform Multivariate normality test\nmult.norm(data)$ mult.test\n\n<\/span><\/span><\/span>Beta-hat kappa p-val\nSkewness 1.630474 13.5872843 0.1926626\nKurtosis 13.895364 -0.7130395 0.4758213\n<\/strong><\/pre>\n Beispiel: Energietest in R<\/strong><\/span><\/h3>\n
library<\/span> (energy)\n\n#create dataset\nset.seed(0)\n\ndata <- data.frame(x1 = rnorm(50),\n x2 = rnorm(50),\n x3 = rnorm(50))<\/span>\n\n#perform Multivariate normality test\nmvnorm.etest(data, R= 100<\/span> )\n\n<\/span><\/span>Energy test of multivariate normality: estimated parameters\n\ndata: x, sample size 50, dimension 3, replicates 100\nE-statistic = 0.90923, p-value = 0.31\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie einen Anderson-Darling-Test in R durch<\/a>
So f\u00fchren Sie einen Jarque-Bera-Test in R durch<\/a>
So f\u00fchren Sie einen Shapiro-Wilk-Test in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"