정규성 검정에 대한 모든 통계량 및 그래프 해석

정규성 검정과 함께 제공되는 모든 통계 및 그래프에 대한 정의 및 해석 방법을 확인해 보십시오.

평균

평균은 데이터 중심을 나타내는 하나의 값으로 표본을 설명합니다. 평균은 모든 관측치의 합을 관측치 수로 나눈, 데이터의 평균으로 계산됩니다.

N

표본 크기(N)는 표본의 총 관측치 수입니다.

해석

표본 크기는 검정의 검정력에 영향을 미칩니다.

일반적으로 표본 크기가 클수록 검정에서 표본 데이터와 정규 분포 간의 차이를 탐지할 검정력이 높습니다. 즉, 실제로 차이가 존재할 때 표본 크기가 클수록 차이를 탐지할 확률이 높아집니다.

표준 편차

표준 편차는 산포, 즉 데이터가 평균을 중심으로 퍼져 있는 정도를 나타내는 가장 일반적인 측도입니다. 표본 표준 편차가 클수록 데이터가 평균 주위로 더 넓게 퍼져 있다는 것을 나타냅니다.

KS

Kolmogorov-Smirnov 검정은 표본 데이터의 ECDF(경험적 누적분포함수)와 데이터가 정규일 경우 예상되는 분포를 비교합니다.

해석

Minitab에서는 Kolmogorov-Smirnov 통계량을 사용하여 p-값을 계산합니다. p-값은 데이터가 정규 분포를 따르는 경우 최소한 표본에서 계산된 값만큼 극단적인 검정 통계량(예: Kolmogorov-Smirnov 통계량)을 얻을 확률입니다. Kolmogorov-Smirnov 통계량 값이 더 크면 데이터가 정규 분포를 따르지 않는다는 것을 나타냅니다.

RJ

Ryan-Joiner 통계량은 데이터와 데이터의 정규 점수 사이의 상관을 계산하여 데이터가 정규 분포를 얼마나 잘 따르는지 측정합니다. 상관 계수가 1에 가까우면 모집단이 정규 분포를 따를 가능성이 높습니다. 이 검정은 Shapiro-Wilk 정규성 검정과 비슷합니다.

해석

Minitab에서는 Ryan-Joiner 통계량을 사용하여 p-값을 계산합니다. p-값은 데이터가 정규 분포를 따르는 경우 최소한 표본에서 계산된 값만큼 극단적인 검정 통계량(예: Ryan-Joiner 통계량)을 얻을 확률입니다. Ryan-Joiner 통계량 값이 더 크면 데이터가 정규 분포를 따르지 않는다는 것을 나타냅니다.

p-값

p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.

해석

데이터가 정규 분포를 따르지 않는지 여부를 확인하려면 p-값을 사용하십시오.

데이터가 정규 분포를 따르지 않는지 여부를 확인하려면 p-값을 유의 수준과 비교하십시오. 일반적으로 0.05의 유의 수준(α 또는 알파로 표시함)이 적절합니다. 0.05의 유의 수준은 데이터가 정규 분포를 따르는데 정규 분포를 따르지 않는다는 결론을 내릴 위험이 5%라는 것을 나타냅니다.
p-값 ≤ α: 데이터가 정규 분포를 따르지 않음(H0 기각)
p-값이 유의 수준보다 작거나 같으면 귀무 가설을 기각하고 데이터가 정규 분포를 따르지 않는다는 결론을 내립니다.
p-값 > α: 데이터가 정규 분포를 따르지 않는다는 결론을 내릴 수 없음(H0 기각 실패)
p-값이 유의 수준보다 크면 귀무 가설을 기각할 수 없습니다. 데이터가 정규 분포를 따르지 않는다는 결론을 내릴 충분한 증거가 없습니다.

확률도

확률도는 추정 누적 확률을 기준으로 각 관측치의 값을 표시하여 표본으로부터 추정 누적분포함수(CDF)를 만듭니다.

해석

정규 분포가 데이터에 얼마나 적합한지 시각화하려면 확률도를 사용합니다.

정규 분포의 적합도를 시각화하려면 확률도를 조사하고 데이터 점들이 적합된 분포선을 얼마나 가깝게 따르는지 평가하십시오. 정규 분포는 직선에 가깝게 놓이는 경향이 있습니다. 치우친 데이터는 곡선을 이룹니다.
오른쪽으로 치우친 데이터
왼쪽으로 치우친 데이터

Minitab에서 백분위수와 값의 차트를 보려면 적합된 분포선 위로 마우스를 가져가십시오.

이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오