Rechner

Multivariate Normalverteilung online prüfen

Die Beurteilung der Annahme multivariater Normalverteilung wird von vielen parametrischen multivariaten statistischen Methoden verlangt. Es gibt viele analytische Methoden zur Überprüfung der multivariaten Normalverteilung, allerdings keine direkt von SPSS. Die Entscheidung, welche Methode verwendet wird, ist jedoch eine Herausforderung, da jede Methode unter bestimmten Bedingungen unterschiedliche Ergebnisse liefern kann. Daher können wir sagen, dass es keine beste Methode zur Überprüfung der Normalverteilung gibt, die unter allen Bedingungen gültig ist.

Hier stellen wir eine online Anwendung zur Bewertung der multivariaten Normalverteilung vor. Dieses Tool enthält drei der am häufigsten verwendeten multivariaten Normalitätstests, darunter Mardia’s, Henze-Zirkler’s und Royston’s.

Da die Berechnung der multivariaten Normalverteilung deutlich aufwendiger ist, kann es einige Sekunden dauern, bis ein Ergebnis verfügbar ist.

Daten eingeben

 

Methode zur bestimmung der multivariaten Normalverteilung

Literaturnachweis

  1. Doornik, J. A., & Hansen, H. (2008). An Omnibus Test for Univariate and Multivariate Normality*. Oxford Bulletin of Economics and Statistics, 70, 927–939. doi:10.1111/j.1468-0084.2008.00537.x
  2. Henze, N., & Wagner, T. (1997). A New Approach to the BHEP Tests for Multivariate Normality. Journal of Multivariate Analysis, 62(1), 1–23. doi:10.1006/jmva.1997.1684
  3. Henze, N., & Zirkler, B. (1990). A class of invariant consistent tests for multivariate normality. Communications in Statistics – Theory and Methods, 19(10), 3595–3617. doi:10.1080/03610929008830400
  4. Korkmaz, S., Goksuluk, D., & Zararsiz, G. (2014). MVN: An R Package for Assessing Multivariate Normality. The R Journal, 6(2), 151–162.
  5. Mardia, K. V. (1970). Measures of Multivariate Skewness and Kurtosis with Applications. Biometrika, 57(3), 519. doi:10.2307/2334770
  6. Mardia, K. V. (1974). Applications of Some Measures of Multivariate Skewness and Kurtosis in Testing Normality and Robustness Studies. Sankhyā: The Indian Journal of Statistics, Series B (1960-2002), 36(2), 115–128.
  7. Rizzo, M. L., & Székely, G. J. (2016). Energy distance. Wiley Interdisciplinary Reviews: Computational Statistics, 8(1), 27–38. doi:10.1002/wics.1375
  8. Royston, J. P. (1982). An Extension of Shapiro and Wilk’s W Test for Normality to Large Samples. Journal of the Royal Statistical Society. Series C (Applied Statistics), 31(2), 115–124. doi:10.2307/2347973
  9. Royston, J. P. (1983). Some Techniques for Assessing Multivarate Normality Based on the Shapiro- Wilk W. Journal of the Royal Statistical Society. Series C (Applied Statistics), 32(2), 121–133. doi:10.2307/2347291
  10. Royston, P. (1992). Approximating the Shapiro-Wilk W-test for non-normality. Statistics and Computing, 2(3), 117–119. doi:10.1007/BF01891203
  11. Royston, P. (1995). Remark AS R94: A Remark on Algorithm AS 181: The W-test for Normality. Applied Statistics, 44(4), 547. doi:10.2307/2986146
  12. Shapiro, S. S., & Wilk, M. B. (1965). An Analysis of Variance Test for Normality (Complete Samples). Biometrika, 52(3/4), 591. doi:10.2307/2333709
  13. Székely, G. J., & Rizzo, M. L. (2013). Energy statistics: A class of statistics based on distances. Journal of Statistical Planning and Inference, 143(8), 1249–1272.
  14. Székely, G. J., & Rizzo, M. L. (2017). The Energy of Data. Annual Review of Statistics and Its Application, 4(1), 447–479. doi:10.1146/annurev-statistics-060116-054026
  15. Yap, B. W., & Sim, C. H. (2011). Comparisons of various types of normality tests. Journal of Statistical Computation and Simulation, 81(12), 2141–2155. doi:10.1080/00949655.2010.520163