Questo tipo di test \u00e8 utile per determinare se un determinato set di dati proviene o meno da una distribuzione normale, che \u00e8 un presupposto comunemente utilizzato in molti test statistici, tra cui regressione<\/a> , ANOVA<\/a> , test t<\/a> e molti altri. ‘altri.<\/span><\/p>\n Possiamo facilmente eseguire un test Shapiro-Wilk su un dato set di dati utilizzando la seguente funzione incorporata in R:<\/span><\/p>\n shapiro.test(x)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Questa funzione produce una statistica del test W<\/em> insieme a un valore p corrispondente. Se il valore p \u00e8 inferiore a \u03b1 = 0,05, ci sono prove sufficienti per affermare che il campione non proviene da una popolazione distribuita normalmente.<\/span><\/p>\n Nota:<\/strong> la dimensione del campione deve essere compresa tra 3 e 5.000 per utilizzare la funzione shapiro.test().<\/em><\/span><\/p>\n Questo tutorial mostra diversi esempi di utilizzo pratico di questa funzione.<\/span><\/p>\n Il codice seguente mostra come eseguire un test di Shapiro-Wilk su un set di dati con dimensione del campione n=100:<\/span><\/p>\n Il valore p del test risulta essere 0,6303<\/strong> . Poich\u00e9 questo valore non \u00e8 inferiore a 0,05, possiamo supporre che i dati del campione provengano da una popolazione distribuita normalmente.<\/span><\/p>\n Questo risultato non dovrebbe sorprendere poich\u00e9 abbiamo generato i dati campione utilizzando la funzione rnorm(), che genera valori casuali da una distribuzione normale con media = 0 e deviazione standard = 1.<\/span><\/p>\n Correlato:<\/span><\/strong> Una guida a dnorm, pnorm, qnorm e rnorm in R<\/a><\/p>\n Possiamo anche produrre un istogramma per verificare visivamente che i dati del campione siano distribuiti normalmente:<\/span> <\/p>\n Possiamo vedere che la distribuzione \u00e8 piuttosto a campana con un picco al centro della distribuzione, tipico dei dati distribuiti normalmente.<\/span><\/p>\n Il codice seguente mostra come eseguire un test di Shapiro-Wilk su un set di dati con dimensione campionaria n=100 in cui i valori sono generati casualmente da una distribuzione di Poisson<\/a> :<\/span><\/p>\n Il valore p del test risulta essere 0,0003393<\/strong> . Poich\u00e9 questo valore \u00e8 inferiore a 0,05, abbiamo prove sufficienti per affermare che i dati del campione non<\/em> provengono da una popolazione distribuita normalmente.<\/span><\/p>\n Questo risultato non dovrebbe sorprendere poich\u00e9 abbiamo generato i dati campione utilizzando la funzione rpois(), che genera valori casuali da una distribuzione di Poisson.<\/span><\/p>\n Correlati:<\/span><\/strong> una guida a dpois, ppois, qpois e rpois in R<\/a><\/p>\n Possiamo anche produrre un istogramma per vedere visivamente che i dati del campione non sono distribuiti normalmente:<\/span> <\/p>\n Possiamo vedere che la distribuzione \u00e8 distorta a destra e non ha la tipica “forma a campana” associata ad una distribuzione normale. Pertanto, il nostro istogramma corrisponde ai risultati del test di Shapiro-Wilk e conferma che i dati del nostro campione non provengono da una distribuzione normale.<\/span><\/p>\n Se un dato set di dati non \u00e8<\/em> distribuito normalmente, spesso possiamo eseguire una delle seguenti trasformazioni per renderlo pi\u00f9 normale:<\/span><\/p>\n 1. Trasformazione del log:<\/strong> trasforma la variabile di risposta da y a log(y)<\/strong> .<\/span><\/p>\n 2. Trasformazione della radice quadrata:<\/strong> trasforma la variabile di risposta da y a \u221ay<\/strong> .<\/span><\/p>\n 3. Trasformazione della radice del cubo:<\/strong> trasforma la variabile di risposta da y a y 1\/3<\/sup><\/strong> .<\/span><\/p>\n Eseguendo queste trasformazioni, la variabile di risposta generalmente si avvicina alla distribuzione normale.<\/span><\/p>\n Dai un’occhiata a questo tutorial<\/a> per vedere come eseguire queste trasformazioni nella pratica.<\/span><\/p>\n Come eseguire un test di Anderson-Darling in R<\/a> Il test di Shapiro-Wilk \u00e8 un test di normalit\u00e0. Viene utilizzato per determinare se un campione proviene o meno da una distribuzione normale . Questo tipo di test \u00e8 utile per determinare se un determinato set di dati proviene o meno da una distribuzione normale, che \u00e8 un presupposto comunemente utilizzato in molti test statistici, […]<\/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
Esempio 1: test di Shapiro-Wilk su dati normali<\/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![\"Test](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/shapiror1.png\")
<\/p>\n Esempio 2: test di Shapiro-Wilk su dati non normali<\/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![\"Istogramma](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/shapiror2.png\")
<\/p>\n Cosa fare con i dati non normali<\/strong><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire un test di Kolmogorov-Smirnov in R<\/a>
Come eseguire un test di Shapiro-Wilk in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"