대략 0을 중심으로하는 두 개의 데이터 세트가 있지만 꼬리가 다른 것으로 의심됩니다. 분포를 정규 분포와 비교하기위한 몇 가지 테스트를 알고 있지만 두 분포를 직접 비교하고 싶습니다.
두 분포의 꼬리의 비만을 비교 하는 간단한 테스트가 있습니까?
감사합니다
fRed
대략 0을 중심으로하는 두 개의 데이터 세트가 있지만 꼬리가 다른 것으로 의심됩니다. 분포를 정규 분포와 비교하기위한 몇 가지 테스트를 알고 있지만 두 분포를 직접 비교하고 싶습니다.
두 분포의 꼬리의 비만을 비교 하는 간단한 테스트가 있습니까?
감사합니다
fRed
답변:
이 질문은 같은 가족에 속하는 것으로 보인다 두 샘플이 동일한 왜곡이 있는지 여부를 테스트하는 방법에 대한 이전이 하나 , 그래서 당신이 내 대답을 읽어하실 수 있습니다 . L- 모멘트 도 같은 이유로 (여기서는 L- 왜곡 첨도) 유용 할 것으로 생각합니다 .
람다라고하는 임계 값을 구성하면이 꼬리 영역에 속하는 두 개의 관측 데이터 세트를 기반으로 꼬리 영역 (\ lambda, 무한대)에 제한된 두 분포의 두 평균 또는 분산의 동등성을 테스트 할 수 있습니다. 물론, 2 개의 샘플 t- 검정 또는 F- 검정은 양호 할 수 있지만,이 꼬리 영역에 제한되는 랜덤 변수는 원래의 것조차 정상이 아니기 때문에 강력하지 않다.
3 번째와 4 번째 파라미터에 일반화 된 람다 분포 와 부트 스트랩 신뢰 구간을 맞추는 것은 어떻습니까?
Chi Square 검정 (Fitness-of-Fit 검정)은 두 분포를 값의 버킷 (그래픽으로 히스토그램으로 표시)으로 비교하도록 구성되어 있으므로 두 분포의 꼬리를 비교하는 데 매우 유용합니다. 그리고 꼬리는 가장 많은 양동이에 구성됩니다.
이 테스트는 전체 분포에 중점을 두지 만 꼬리뿐만 아니라 꼬리의 비만 차이로 인해 Chi Square 값 또는 분기가 얼마나 많이 발생하는지 쉽게 확인할 수 있습니다.
파생 된 히스토그램이 실제로 테스트 관련 통계적 유의성보다 꼬리의 각 지방에 대해 훨씬 더 많은 정보를 시각적으로 제공 할 수 있습니다. 꼬리 비만이 통계적으로 다르다는 것을 언급하는 것이 한 가지입니다. 시각적으로 관찰하는 것도 또 다른 일입니다. 그들은 그림이 천 단어의 가치가 있다고 말합니다. 때때로 그것은 또한 수천 개의 숫자의 가치가 있습니다 (그래프가 모든 숫자를 캡슐화한다는 것이 의미가 있습니다).