Prueba de normalidad utilizando SPSS Estadística Introducción Una evaluación de la normalidad de los datos es un requisito previo para muchas pruebas estadísticas porque los datos normales son una suposición subyacente en las pruebas paramétricas. Existen dos métodos principales para evaluar la normalidad: gráfica y numéricamente. Esta guía de inicio rápido le ayudará a determinar si sus datos son normales y, por lo tanto, que esta suposición se cumple en sus datos para pruebas estadísticas. Los enfoques se pueden dividir en dos temas principales: basarse en pruebas estadísticas o inspección visual. Las pruebas estadísticas tienen la ventaja de hacer un juicio objetivo de normalidad, pero se ven desventajadas por no ser a veces sensibles a un tamaño de muestra bajo o demasiado sensibles a grandes tamaños de muestra. Como tal, algunos estadísticos prefieren utilizar su experiencia para hacer un juicio subjetivo sobre los datos de gráficos / gráficos. La interpretación gráfica tiene la ventaja de permitir que el buen juicio evalúe la normalidad en situaciones en las que las pruebas numéricas pueden ser más o menos sensibles, pero los métodos gráficos carecen de objetividad. Si usted no tiene una gran experiencia interpretando la normalidad gráficamente, es probablemente mejor confiar en los métodos numéricos. Si desea ser guiado a través del procedimiento de prueba de normalidad en SPSS Statistics para la prueba estadística específica que está utilizando para analizar sus datos, le proporcionamos guías completas en nuestro contenido mejorado. Para cada prueba estadística en la que se necesita probar la normalidad, le mostramos paso a paso el procedimiento en SPSS Statistics, así como cómo tratar situaciones en las que sus datos no asumen la normalidad (por ejemplo, donde puede probar Para transformar sus datos para que sea algo normal, también le mostramos cómo usar SPSS Statistics). Usted puede aprender sobre nuestro contenido mejorado en general aquí o cómo ayudamos con los supuestos aquí. Sin embargo, en esta guía de inicio rápido, le llevamos a través de los fundamentos de las pruebas de normalidad en SPSS Statistics. SPSS Statistics Métodos de evaluación de la normalidad SPSS Statistics le permite probar todos estos procedimientos dentro de Explore. mando. El Explorar. Puede utilizarse de forma aislada si está probando la normalidad en un grupo o dividiendo su conjunto de datos en uno o más grupos. Por ejemplo, si tiene un grupo de participantes y necesita saber si su altura se distribuye normalmente, todo puede hacerse dentro del Explorar. mando. Si divide su grupo en hombres y mujeres (es decir, tiene una variable independiente categórica), puede probar la normalidad de la talla tanto en el grupo masculino como en el grupo femenino usando sólo Explorar. mando. Esto se aplica incluso si tiene más de dos grupos. Sin embargo, si tiene 2 o más variables categóricas e independientes, Explore. Comando por sí solo no es suficiente y tendrá que utilizar el archivo dividido. Comando también. SPSS Statistics Output SPSS Statistics genera muchas tablas y gráficos con este procedimiento. Una de las razones de esto es que el Explorar. Comando no se utiliza únicamente para la prueba de la normalidad, sino en la descripción de los datos de muchas maneras diferentes. Al probar la normalidad, nos interesa principalmente la tabla de Pruebas de Normalidad y las Parcelas QQ normales. Nuestros métodos numéricos y gráficos para probar la normalidad de los datos, respectivamente. Prueba de normalidad de Shapiro-Wilk Publicado con permiso escrito de SPSS Statistics, IBM Corporation. La tabla anterior presenta los resultados de dos pruebas bien conocidas de normalidad, a saber, la prueba de Kolmogorov-Smirnov y la prueba de Shapiro-Wilk. La prueba de Shapiro-Wilk es más apropiada para tamaños de muestra pequeños (lt 50 muestras), pero también puede manejar tamaños de muestra tan grandes como 2000. Por esta razón, usaremos la prueba de Shapiro-Wilk como nuestro medio numérico para evaluar la normalidad. Podemos ver en la tabla anterior que para el grupo de principiantes, intermedios y avanzados, la variable dependiente, Time, se distribuía normalmente. ¿Cómo sabemos esto Si la Sig. Valor de la prueba de Shapiro-Wilk es superior a 0,05, los datos son normales. Si está por debajo de 0,05, los datos se desvían de forma significativa de una distribución normal. Si necesita usar valores de asimetría y kurtosis para determinar la normalidad, en lugar de la prueba de Shapiro-Wilk, encontrará esto en nuestra guía de pruebas de normalidad mejorada. Puede obtener más información sobre nuestro contenido mejorado aquí. Normal Q-Q Plot Con el fin de determinar la normalidad gráfica, podemos utilizar la salida de una normal Q-Q Plot. Si los datos se distribuyen normalmente, los puntos de datos estarán cerca de la línea diagonal. Si los puntos de datos se alejan de la línea de una manera obvia no lineal, los datos no se distribuyen normalmente. Como podemos ver en la gráfica normal de Q-Q abajo, los datos se distribuyen normalmente. Si no está seguro de ser capaz de interpretar correctamente el gráfico, confíe en los métodos numéricos en su lugar, ya que puede tomar un poco de experiencia para juzgar correctamente la normalidad de los datos basados en parcelas. Publicado con permiso escrito de SPSS Statistics, IBM Corporation. Si necesita saber cómo se ven las Parcelas Normal Q-Q cuando las distribuciones no son normales (por ejemplo, sesgadas negativamente), encontrará estas en nuestra guía de pruebas de normalidad mejorada. ¿Cómo puedo hacer un diagrama de dispersión con la línea de regresión en Stata Stata hace que sea muy fácil crear un diagrama de dispersión y la línea de regresión con el comando gráfico twoway. Ilustramos esto usando el archivo de datos hsb2. Aquí podemos hacer un diagrama de dispersión de las variables de escritura con lectura Podemos asimismo mostrar un gráfico que muestra los valores predichos de escribir por leer como se muestra a continuación. Habiendo visto cómo hacer estos por separado, podemos superponerlos en un gráfico como se muestra a continuación. Y podemos incluso mostrar el valor ajustado con un intervalo de confianza para la media como se muestra a continuación. El contenido de este sitio web no debe ser interpretado como un endoso de cualquier sitio web, libro o producto de software en particular por la Universidad de California. Una manera realmente buena de encontrar periodicidad en cualquier serie regular de datos es inspeccionar su espectro de energía después de Eliminando cualquier tendencia general. La eliminación de la tendencia preliminar (y la diferencia opcional para eliminar la correlación serial) es esencial para evitar confundir los períodos con otros comportamientos. El espectro de potencia es la transformada discreta de Fourier de la función de autocovariancia de una versión apropiadamente suavizada de la serie original. Si piensa en la serie temporal como muestreo de una forma de onda física, puede estimar cuánto de la potencia total de las ondas se lleva dentro de cada frecuencia. El espectro de potencia (o periodograma) representa la potencia frente a la frecuencia. Cíclicos (es decir, patrones repetitivos o estacionales) se mostrarán como grandes picos ubicados en sus frecuencias. Como ejemplo, considere esta serie temporal (simulada) de residuos de una medición diaria tomada durante un año (365 valores). Los valores fluctúan alrededor de 0 sin tendencias evidentes, mostrando que todas las tendencias importantes han sido eliminadas. La fluctuación aparece al azar: no hay periodicidad aparente. Heres otra trama de los mismos datos, dibujados para ayudarnos a ver posibles patrones periódicos. Si te ves muy duro, puede ser capaz de discernir un patrón ruidoso pero repetitivo que se produce de 11 a 12 veces. Las secuencias largas de valores por encima de cero y por debajo de cero al menos sugieren alguna autocorrelación positiva, mostrando que esta serie no es completamente aleatoria. Aquí está el periodograma, mostrado para frecuencias de hasta 91 (un cuarto de la longitud total de la serie). Fue construido con una ventana de Welch y normalizado al área de la unidad (para el periodograma entero, no apenas la parte demostrada aquí). El poder se parece al ruido blanco (fluctuaciones aleatorias pequeñas) más dos puntos prominentes. El más grande ocurre en un período de 12 y el más pequeño en un período de 52. Este método ha detectado así un ciclo mensual y un ciclo semanal en estos datos. Eso es realmente todo lo que hay que hacer. Para automatizar la detección de ciclos (estacionalidad), basta con escanear el periodograma (que es una lista de valores) para máximos locales relativamente grandes. Su hora de revelar cómo estos datos fueron creados. Los valores se generan a partir de una suma de dos ondas senoidales, una con frecuencia 12 (de amplitud cuadrada 3/4) y otra con frecuencia 52 (de amplitud cuadrada 1/4). Éstos son lo que detectaron los picos en el periodograma. Su suma se muestra como la gruesa curva negra. Iid A continuación se añadió el ruido normal de varianza 2, como se muestra por las barras de color gris claro que se extienden desde la curva negra hasta los puntos rojos. Este ruido introdujo las ondulaciones de bajo nivel en la parte inferior del periodograma, que de otro modo sería sólo un 0. Las dos terceras partes de la variación total de los valores no son periódicas y aleatorias, lo cual es muy ruidoso: Tan difícil de hacer la periodicidad sólo por mirar los puntos. Sin embargo (en parte porque hay tantos datos) encontrar las frecuencias con el periodograma es fácil y el resultado es claro. En el sitio de Numerical Recipes aparecen instrucciones y buenos consejos para calcular periodogramas: busque la sección sobre estimación del espectro de potencia utilizando la FFT. R tiene código para la estimación del periodograma. Estas ilustraciones fueron creadas en Mathematica 8 el periodograma se calculó con su función de Fourier. La afirmación de que las series de entrada son deterministas en la naturaleza vuela en la naturaleza. Frente a la posible presencia de una estructura estacional y regular de ARIMA. Sin tratamiento Los valores únicos inusuales distorsionarán cualquier esquema de identificación basado en el periodograma debido a un sesgo descendente a las estimaciones del periodograma que produzca no significación. Si los efectos semanales y / o mensuales cambian en algún momento en el pasado, el procedimiento basado en periodograma fallaría ndash IrishStat Sep 29 11 at 0:06 Irlandés Creo que su comentario puede exagerar un poco. Es más elemental buscar y tratar quotUnusual One-Time Valuesquot (aka outliers), por lo que solo se menciona para enfatizar que algunos estimadores de series temporales pueden ser sensibles a outliers. Determina en términos absolutos las ideas básicas: nadie supone que haya determinismo (como lo demuestra la enorme cantidad de ruido en la simulación). La simulación incorpora una señal periódica definida como modelo - siempre aproximada en realidad - sólo para ilustrar la conexión entre el periodograma y la estacionalidad. Sí, cambios en la estacionalidad pueden oscurecer el periodograma (y el acf, etc.), especialmente cambios en la frecuencia (improbable) o en la fase (posible). Las referencias en mi puesto de dar una solución para manejar eso: recomiendan usar una ventana móvil para la estimación de periodograma. Hay un arte a esto, y claramente hay trampas, por lo que mucho análisis de series de tiempo se beneficiará de un tratamiento experto, como usted defiende. Pero la pregunta pregunta si hay otros métodos para detectar la estacionalidad y, sin lugar a dudas, el periodograma es una opción estadísticamente poderosa, computacionalmente eficiente y fácilmente interpretable. Ndash whuber 9830 Sep 29 11 at 16:46 En mi mundo el uso de senos / cosenos son efectos quotdeterministas como los indicadores del mes del año. El ajuste de cualquier modelo predefinido restringe los valores ajustados a un patrón especificado por el usuario, a menudo sub-estándar. Los datos deben ser escuchados para ayudar al analista / software informático avanzado a discernir efectivamente entre entradas fijas y estocásticas n. b. Me refiero a ARIMA retarda las estructuras como quotdrivers estocásticos o adaptativos como los valores ajustados ajustan / adaptan a los cambios en la historia de la serie. En mi opinión, la utilización del periodograma quotoversellsquot simple modelado estadístico ndash IrishStat Sep 29 11 at 17:44 whuber Repitiendo la misma cosa podría no ser útil. Sin embargo, también sería bueno fijar el párrafo debajo del periodograma para decir que los picos se localizan a una frecuencia de quot frecuencia de 12 y 52 veces al año, y no de quotperiod. La fijación de la trama también para decir quotfrequencyquot en lugar de quotperiodquot podría ser agradable, así si usted piensa que no es demasiado molesto. Ndash Celelibi Oct 11 at 15:29 La estacionalidad puede y cambia a menudo con el tiempo, por lo tanto, las medidas de resumen pueden ser bastante inadecuadas para detectar la estructura. Hay que probar la transitoriedad en los coeficientes de ARIMA y, a menudo, cambios en las variables estacionales. Por ejemplo, en un horizonte de 10 años puede haber un efecto de junio para los primeros k años, pero los últimos 10 k años hay evidencia de un efecto de junio. Un simple efecto compuesto de junio podría no ser significativo ya que el efecto no fue constante en el tiempo. De manera similar, un componente ARIMA de temporada también puede haber cambiado. Se debe tener cuidado de incluir los cambios de nivel local y / o las tendencias de tiempo locales, al tiempo que se asegura que la varianza de los errores se ha mantenido constante en el tiempo. No se deben evaluar transformaciones como GLS / cuadrados mínimos ponderados o transformaciones de potencia como logs / raíces cuadradas, etc. sobre los datos originales, sino sobre los errores de un modelo tentativo. Los supuestos gaussianos no tienen nada que ver con los datos observados, sino con los errores del modelo. Esto se debe a los fundamentos de las pruebas estadísticas que utilizan la razón de una variable chi-cuadrada no central con una variable central chi-cuadrada. Si usted quisiera fijar una serie del ejemplo de su mundo yo sería alegre proporcionarle y la lista un análisis completo que conduce a la detección de la estructura estacional. Respondió Sep 27 11 at 18:36 La respuesta de Charlies es buena, y es donde empieza Id. Si no desea utilizar gráficos ACF, puede crear k-1 variables ficticias para los k periodos de tiempo presentes. A continuación, puede ver si las variables ficticias son significativas en una regresión con las variables dummy (y probablemente un término de tendencia). Si sus datos son trimestrales: el dummy Q2 es 1 si éste es el segundo trimestre, de lo contrario el 0 Q3 simulado es 1 si éste es el tercer trimestre, de lo contrario 0 el ficticio Q4 es 1 si éste es el cuarto trimestre. Caso base (todos los 3 dummies cero) También puede comprobar la descomposición de series de tiempo en Minitab - a menudo llamada descomposición clásica. Al final, es posible que desee utilizar algo más moderno, pero este es un lugar sencillo para empezar. Soy un poco nuevo para R, pero mi comprensión de la función ACF es que si la línea vertical va por encima de la línea punteada superior o por debajo de la línea punteada inferior, hay algo de autorregresión (incluida la estacionalidad) . Trate de crear un vector de seno Si bien encajar senos / cosenos etc puede ser útil para algunas series de tiempo física / eléctrica, pero debe ser consciente de MSB. Modelo de especificación sesgo. Ndash IrishStat Sep 28 11 at 14:31 Autoregresión no implica estacionalidad. Ndash Jens Nov 22 13 at 12:32 Su respuesta 2016 Stack Exchange, Inc
No comments:
Post a Comment