개별 분포 식별에 대한 적합도

해석

데이터가 각 분포를 얼마나 가깝게 따르는지 평가하려면 확률도를 사용합니다.

해당 분포가 데이터에 적합하면 점들이 적합된 분포선을 가깝게 따라야 합니다. 직선에서 벗어나 있으면 적합치가 허용되지 않는다는 것을 나타냅니다.

좋은 적합치

좋지 않은 적합치

확률도 외에 AD p-값, LRT p-값과 같은 적합도 측도를 사용하여 분포 적합치를 평가할 수 있습니다.

해석

Minitab에서는 Anderson-Darling 통계량을 사용하여 p-값을 계산합니다. p-값은 데이터가 분포를 따른다는 귀무 가설에 반하는 증거를 측정하는 확률입니다.

일반적으로 상당히 작은 Anderson-Darling 통계량 값은 데이터가 분포를 더 가깝게 따른다는 것을 나타냅니다. 그러나 AD 통계량은 분포에 따라 다르게 분포되므로 AD 값이 가까운 경우 여러 분포의 AD 값을 직접 비교하지 마십시오. 여러 분포의 적합치를 더 효과적으로 비교하려면 확률도, p-값, 공정 지식 등 추가 기준을 사용하십시오.

해석

분포의 적합도를 평가하려면 p-값을 사용합니다.

해석

LRT p-값을 사용하면 모수를 추가할 때 모수가 추가되지 않은 분포에 대해 적합도가 유의하게 개선되는지 여부를 확인할 수 있습니다.

LRT p-값은 p-값을 계산하는 표준화된 방법이 없는 3-모수 분포에도 유용합니다. 이런 경우, 먼저 해당하는 2-모수 분포의 p-값을 조사하십시오. 그런 다음 3-모수 분포에 대한 LRT p-값을 조사하여 3-모수 분포가 2-모수 분포보다 유의하게 나은지 확인합니다.

이 결과에서 3-모수 로그 정규(0.017), 3-모수 Weibull(0.000), 3-모수 감마(0.006), 3-모수 로그 로지스틱(0.027)에 대한 LRT p-값은 이들 분포가 해당하는 2-모수 분포에 비해 적합도를 유의하게 개선한다는 것을 나타냅니다.