Quale test di normalità dovresti usare?
Imparerai quale test di normalità è il migliore e più appropriato per diverse situazioni analisi dei dati situazioni.
Punti Salienti
- I test di normalità valutano se un set di dati è distribuito normalmente, un presupposto fondamentale in molti test statistici.
- Nello studio di Razali e Wah, il test di Shapiro-Wilk ha mostrato il potere statistico più elevato tra i quattro test.
- Secondo lo studio, la potenza di tutti e quattro i test aumentava con l’aumentare delle dimensioni del campione.
Nell'analisi statistica, i test di normalità sono cruciali per determinare se un set di dati segue una distribuzione normale o gaussiana, un presupposto fondamentale in molti test e metodi statistici.
I test di normalità aiutano a convalidare queste ipotesi, garantendo l’applicazione appropriata di metodi statistici e inferenze e previsioni accurate e affidabili.
Condurre un test di normalità consente ai ricercatori e agli analisti di dati di accertare se i loro dati soddisfano il presupposto di normalità e se i test parametrici, che si basano su questo presupposto, sono adatti.
Quando i dati si discostano dalla distribuzione normale, test non parametrici possono essere più appropriati, in quanto si basano su un minor numero di ipotesi sulla distribuzione dei dati.
Questo post del blog riporta i risultati di uno studio che confronta la potenza statistica di quattro test di normalità e fornisce indicazioni per selezionare il test più appropriato per set di dati specifici.
💪 Diventa un professionista dell'analisi dei dati in pochissimo tempo
Scopri le tecniche rivoluzionarie nella nostra guida definitiva!
Panoramica dei test di normalità
Questa sezione presenterà brevemente i test di normalità di Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors e Anderson-Darling, discutendone le ipotesi e le metodologie sottostanti.
Test di Shapiro-Wilk: Il test di Shapiro-Wilk è ampiamente considerato uno dei test di normalità più potenti. Sviluppato nel 1965 da Samuel S. Shapiro e Martin B. Wilk, è specificamente progettato per campioni di piccole e medie dimensioni. Il test calcola una statistica W, che confronta i dati osservati con i dati attesi se questi seguono una distribuzione normale. Un valore di W basso indica che i dati si discostano significativamente da una distribuzione normale.
Test di Kolmogorov-Smirnov: Il test di Kolmogorov-Smirnov (KS) è un test non parametrico che confronta la funzione di distribuzione empirica di un insieme di dati con una specifica distribuzione teorica, in genere la distribuzione normale. Il test calcola la differenza massima (D) tra le due funzioni di distribuzione cumulativa. Un valore D elevato indica una deviazione significativa dalla normalità. Un limite del test KS è la sua minore sensibilità alle deviazioni nelle code della distribuzione.
Test di Lilliefors: Il test di Lilliefors, un'estensione del test di Kolmogorov-Smirnov, è stato sviluppato da Hubert Lilliefors nel 1967. È concepito per campioni di piccole dimensioni quando i parametri della popolazione, come la media e la deviazione standard, sono sconosciuti. Il test modifica il test di Kolmogorov-Smirnov stimando questi parametri a partire dai dati del campione, ottenendo così una valutazione più accurata della normalità per campioni di piccole dimensioni.
Test di Anderson-Darling: Il test di Anderson-Darling, sviluppato da Theodore Anderson e Donald Darling nel 1952, è un altro potente test di normalità. Come il test di Kolmogorov-Smirnov (KS), confronta la funzione di distribuzione empirica di un insieme di dati con una distribuzione teorica specificata. Tuttavia, attribuisce maggiore peso alle code della distribuzione. Questo test calcola una statistica A², dove valori più elevati indicano una maggiore deviazione dalla normalità.
Studio - Confronti di potenza dei test di normalità
Nell'articolo "Power Comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors, and Anderson-Darling Tests" di Nornadiah Mohd Razali e Yap Bee Wah, l'obiettivo principale è confrontare la potenza statistica dei quattro test di normalità: Shapiro-Wilk , Kolmogorov-Smirnov, Lilliefors e Anderson-Darling.
Lo studio mira a determinare quale test offre le migliori prestazioni in varie condizioni e dimensioni del campione, guidando infine i ricercatori e gli analisti di dati nella selezione del test di normalità più appropriato per i loro set di dati specifici.
Metodologia: Razali e Wah hanno condotto ampie simulazioni di potenza utilizzando tecniche Monte Carlo per confrontare le prestazioni dei test di Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors e Anderson-Darling. Le simulazioni hanno considerato diverse dimensioni del campione e diversi tipi di distribuzioni dei dati. La potenza statistica di ciascun test, definita come la probabilità di rifiutare correttamente l'ipotesi nulla quando è falsa, è stata analizzata e confrontata nei vari scenari.
Risultati: Lo studio ha rilevato che il test di Shapiro-Wilk ha generalmente mostrato la maggiore potenza statistica tra i quattro test di normalità, risultando il test più efficace per rilevare deviazioni dalla normalità in diverse situazioni. Tuttavia, è fondamentale ricordare che la potenza di tutti e quattro i test aumenta con l'aumentare della dimensione del campione.
Conclusione
I test di normalità svolgono un ruolo fondamentale nell'analisi statistica, poiché aiutano a determinare l'idoneità dei test parametrici che si basano sul presupposto di normalità.
La scelta del test di normalità appropriato può avere un impatto significativo sull'affidabilità e sulla validità dell'analisi statistica.
Basato sullo studio di Nornadiah Mohd Razali e Yap Bee Wah, il test Shapiro-Wilk dimostra generalmente il più alto potere statistico per rilevare deviazioni dalla normalità.
Scopri estratti GRATUITI dal nostro nuovo libro digitale e libera il tuo vero potenziale.
Approfondisci le tecniche avanzate analisi dei dati , padroneggia l'arte di determinare le dimensioni ottimali del campione e impara a comunicare i risultati in modo efficace, chiaro e conciso.
Clicca sul link per scoprire una vasta gamma di conoscenze: Statistica applicata: analisi dei dati.
