Diese Art von Test ist n\u00fctzlich, um festzustellen, ob ein bestimmter Datensatz aus einer Normalverteilung stammt oder nicht. Dies ist eine h\u00e4ufig verwendete Annahme in vielen statistischen Tests, einschlie\u00dflich Regression<\/a> , ANOVA<\/a> , T-Tests<\/a> und vielen anderen. ‚Andere.<\/span><\/p>\n Mit der folgenden integrierten Funktion in R k\u00f6nnen wir ganz einfach einen Shapiro-Wilk-Test f\u00fcr einen bestimmten Datensatz durchf\u00fchren:<\/span><\/p>\n shapiro.test(x)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Diese Funktion erzeugt eine W-<\/em> Teststatistik zusammen mit einem entsprechenden p-Wert. Wenn der p-Wert kleiner als \u03b1 = 0,05 ist, gibt es gen\u00fcgend Beweise daf\u00fcr, dass die Stichprobe nicht aus einer normalverteilten Grundgesamtheit stammt.<\/span><\/p>\n Hinweis:<\/strong> Die Stichprobengr\u00f6\u00dfe muss zwischen 3 und 5.000 liegen, um die Funktion shapiro.test() verwenden zu k\u00f6nnen.<\/em><\/span><\/p>\n Dieses Tutorial zeigt einige Beispiele f\u00fcr die praktische Verwendung dieser Funktion.<\/span><\/p>\n Der folgende Code zeigt, wie ein Shapiro-Wilk-Test f\u00fcr einen Datensatz mit der Stichprobengr\u00f6\u00dfe n=100 durchgef\u00fchrt wird:<\/span><\/p>\n Der p-Wert des Tests betr\u00e4gt 0,6303<\/strong> . Da dieser Wert nicht kleiner als 0,05 ist, k\u00f6nnen wir davon ausgehen, dass die Stichprobendaten aus einer normalverteilten Grundgesamtheit stammen.<\/span><\/p>\n Dieses Ergebnis sollte nicht \u00fcberraschen, da wir die Beispieldaten mit der Funktion rnorm() generiert haben, die Zufallswerte aus einer Normalverteilung mit Mittelwert = 0 und Standardabweichung = 1 generiert.<\/span><\/p>\n Verwandt:<\/span><\/strong> Eine Anleitung zu dnorm, pnorm, qnorm und rnorm in R<\/a><\/p>\n Wir k\u00f6nnen auch ein Histogramm erstellen, um visuell zu \u00fcberpr\u00fcfen, ob die Beispieldaten normalverteilt sind:<\/span> <\/p>\n Wir k\u00f6nnen sehen, dass die Verteilung ziemlich glockenf\u00f6rmig ist und einen Peak in der Mitte der Verteilung aufweist, was typisch f\u00fcr normalverteilte Daten ist.<\/span><\/p>\n Der folgende Code zeigt, wie man einen Shapiro-Wilk-Test f\u00fcr einen Datensatz mit der Stichprobengr\u00f6\u00dfe n=100 durchf\u00fchrt, bei dem die Werte zuf\u00e4llig aus einerPoisson-Verteilung<\/a> generiert werden:<\/span><\/p>\n Der p-Wert des Tests betr\u00e4gt 0,0003393<\/strong> . Da dieser Wert unter 0,05 liegt, haben wir gen\u00fcgend Beweise daf\u00fcr, dass die Stichprobendaten nicht<\/em> aus einer normalverteilten Grundgesamtheit stammen.<\/span><\/p>\n Dieses Ergebnis sollte nicht \u00fcberraschen, da wir die Beispieldaten mit der Funktion rpois() generiert haben, die Zufallswerte aus einer Poisson-Verteilung generiert.<\/span><\/p>\n Verwandt:<\/span><\/strong> Eine Anleitung zu dpois, ppois, qpois und rpois in R<\/a><\/p>\n Wir k\u00f6nnen auch ein Histogramm erstellen, um visuell zu erkennen, dass die Beispieldaten nicht normalverteilt sind:<\/span> <\/p>\n Wir k\u00f6nnen sehen, dass die Verteilung rechtsschief ist und nicht die typische \u201eGlockenform\u201c einer Normalverteilung aufweist. Somit stimmt unser Histogramm mit den Ergebnissen des Shapiro-Wilk-Tests \u00fcberein und best\u00e4tigt, dass unsere Stichprobendaten nicht aus einer Normalverteilung stammen.<\/span><\/p>\n Wenn ein bestimmter Datensatz nicht normalverteilt ist<\/em> , k\u00f6nnen wir h\u00e4ufig eine der folgenden Transformationen durchf\u00fchren, um ihn normaler zu machen:<\/span><\/p>\n 1. Log-Transformation:<\/strong> Transformieren Sie die Antwortvariable von y in log(y)<\/strong> .<\/span><\/p>\n 2. Quadratwurzeltransformation:<\/strong> Transformieren Sie die Antwortvariable von y in \u221ay<\/strong> .<\/span><\/p>\n 3. Kubikwurzeltransformation:<\/strong> Transformieren Sie die Antwortvariable von y in y 1\/3<\/sup><\/strong> .<\/span><\/p>\n Durch die Durchf\u00fchrung dieser Transformationen n\u00e4hert sich die Antwortvariable im Allgemeinen der Normalverteilung an.<\/span><\/p>\n Sehen Sie sichdieses Tutorial<\/a> an, um zu erfahren, wie Sie diese Transformationen in der Praxis durchf\u00fchren.<\/span><\/p>\n So f\u00fchren Sie einen Anderson-Darling-Test in R durch<\/a> Der Shapiro-Wilk-Test ist ein Normalit\u00e4tstest. Es wird verwendet, um zu bestimmen, ob eine Stichprobe aus einerNormalverteilung stammt oder nicht. Diese Art von Test ist n\u00fctzlich, um festzustellen, ob ein bestimmter Datensatz aus einer Normalverteilung stammt oder nicht. Dies ist eine h\u00e4ufig verwendete Annahme in vielen statistischen Tests, einschlie\u00dflich Regression , ANOVA , T-Tests und vielen […]<\/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 1: Shapiro-Wilk-Test mit normalen Daten<\/strong><\/span><\/h3>\n
#make this example reproducible<\/span>\nset.seed(0)\n\n#create dataset of 100 random values generated from a normal distribution<\/span>\ndata <- rnorm(100)\n\n#perform Shapiro-Wilk test for normality<\/span>\nshapiro.test(data)\n\n\tShapiro-Wilk normality test\n\ndata:data\nW = 0.98957, p-value = 0.6303\n<\/strong><\/pre>\n hist(data, col=' steelblue<\/span> ')<\/strong> <\/pre>\n![\"Shapiro-Wilk-Test](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/shapiror1.png\")
<\/p>\n Beispiel 2: Shapiro-Wilk-Test f\u00fcr nicht normale Daten<\/strong><\/span><\/h3>\n
#make this example reproducible<\/span>\nset.seed(0)\n\n#create dataset of 100 random values generated from a Poisson distribution<\/span>\ndata <- rpois(n=100, lambda=3)\n\n#perform Shapiro-Wilk test for normality<\/span>\nshapiro.test(data)\n\n\tShapiro-Wilk normality test\n\ndata:data\nW = 0.94397, p-value = 0.0003393\n<\/strong><\/pre>\n hist(data, col=' coral2<\/span> ')<\/strong> <\/pre>\n![\"Shapiro-Wilk-Testhistogramm](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/shapiror2.png\")
<\/p>\n Was tun mit nicht normalen Daten?<\/strong><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie einen Kolmogorov-Smirnov-Test in R durch<\/a>
So f\u00fchren Sie einen Shapiro-Wilk-Test in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"