Qu'est-ce que la normalité?


Réponses:


29

L'hypothèse de normalité est simplement la supposition que la variable aléatoire sous-jacente d'intérêt est distribuée normalement , ou approximativement. Intuitivement, la normalité peut être comprise comme le résultat de la somme d'un grand nombre d'événements aléatoires indépendants.

Plus précisément, les distributions normales sont définies par la fonction suivante:

texte alternatif

où et sont respectivement la moyenne et la variance, et qui apparaît comme suit:μσ2

texte alternatif

Cela peut être vérifié de plusieurs manières , qui peuvent être plus ou moins adaptées à votre problème par ses fonctionnalités, telles que la taille de n. Fondamentalement, ils testent tous les caractéristiques attendues si la distribution était normale (par exemple la distribution quantile attendue ).


33

Une remarque: l'hypothèse de normalité ne concerne souvent PAS vos variables, mais l'erreur, qui est estimée par les résidus. Par exemple, dans la régression linéaire ; il n'y a pas d'hypothèse que est normalement distribué, seulement que est.Y=a+bx+eYe


16
+1. Enfin, quelqu'un a souligné quel est peut-être l'aspect le plus important de cette question: dans la plupart des situations, la «normalité» est importante en ce qui concerne les résidus ou l'échantillonnage des distributions de statistiques, pas en ce qui concerne les distributions des populations!
whuber

4
J'ajouterais que si est normalement distribué, alors Y est également au moins conditionnellement normal. Je pense que c'est ce qui est manqué - les gens pensent que Y est légèrement normal mais sa normalité en fait conditionnelle qui est nécessaire. L'exemple le plus simple est l'ANOVA à sens unique. e
Probabilogic

Conditionnellement sur quoi?
bill_e

1
@bill_e variables indépendantes
Glen_b -Reinstate Monica

10

Une question connexe peut être trouvée ici à propos de l'hypothèse normale de l'erreur (ou plus généralement des données si nous n'avons pas de connaissance préalable des données).

Fondamentalement,

  1. Il est mathématiquement pratique d'utiliser une distribution normale. (Il est lié à l'ajustement des moindres carrés et facile à résoudre avec pseudoinverse)
  2. En raison du théorème de la limite centrale, nous pouvons supposer qu'il y a beaucoup de faits sous-jacents affectant le processus et la somme de ces effets individuels aura tendance à se comporter comme une distribution normale. En pratique, cela semble être le cas.

Une note importante à partir de là est que, comme Terence Tao l'indique ici , "En gros, ce théorème affirme que si l'on prend une statistique qui est une combinaison de nombreux composants indépendants et fluctuant au hasard, aucun composant n'ayant une influence décisive sur l'ensemble , alors cette statistique sera approximativement distribuée selon une loi appelée la distribution normale ".

Pour que cela soit clair, permettez-moi d'écrire un extrait de code Python

# -*- coding: utf-8 -*-
"""
Illustration of the central limit theorem

@author: İsmail Arı, http://ismailari.com
@date: 31.03.2011
"""

import scipy, scipy.stats
import numpy as np
import pylab

#===============================================================
# Uncomment one of the distributions below and observe the result
#===============================================================
x = scipy.linspace(0,10,11)
#y = scipy.stats.binom.pmf(x,10,0.2) # binom
#y = scipy.stats.expon.pdf(x,scale=4) # exp
#y = scipy.stats.gamma.pdf(x,2) # gamma
#y = np.ones(np.size(x)) # uniform
y = scipy.random.random(np.size(x)) # random

y = y / sum(y);

N = 3
ax = pylab.subplot(N+1,1,1)
pylab.plot(x,y)

# Plotting details 
ax.set_xticks([10])
ax.axis([0, 2**N * 10, 0, np.max(y)*1.1])
ax.set_yticks([round(np.max(y),2)])

#===============================================================
# Plots
#===============================================================
for i in np.arange(N)+1:
    y = np.convolve(y,y)
    y = y / sum(y);    

    x = np.linspace(2*np.min(x), 2*np.max(x), len(y))
    ax = pylab.subplot(N+1,1,i+1)
    pylab.plot(x,y)
    ax.axis([0, 2**N * 10, 0, np.max(y)*1.1])
    ax.set_xticks([2**i * 10])
    ax.set_yticks([round(np.max(y),3)])

pylab.show()

Distribution aléatoire

Distribution exponentielle

Distribution uniforme

Comme le montrent les figures, la distribution résultante (somme) tend vers une distribution normale quels que soient les types de distribution individuels. Donc, si nous n'avons pas suffisamment d'informations sur les effets sous-jacents dans les données, l'hypothèse de normalité est raisonnable.


1
Le CLT ne nous permet pas de supposer qu'il y a beaucoup d'effets individuels dans un processus donné - si l'on nous donne qu'il y a beaucoup de facteurs individuels non trop dépendants contribuant à une mesure (aucun d'entre eux n'a trop du total variation), nous pouvons être fondés à supposer la normalité en invoquant le CLT. L'hypothèse de nombreuses contributions précède l'application du CLT, ce n'est en aucun cas le résultat du CLT. Sinon, tout serait normal, alors qu'en fait, ce n'est parfois que grossièrement vrai.
Glen_b -Reinstate Monica

5

Vous ne pouvez pas savoir s'il y a normalité et c'est pourquoi vous devez faire l'hypothèse que c'est là. Vous ne pouvez prouver l'absence de normalité qu'avec des tests statistiques.

Pire encore, lorsque vous travaillez avec des données réelles, il est presque certain qu'il n'y a pas de véritable normalité dans vos données.

Cela signifie que votre test statistique est toujours un peu biaisé. La question est de savoir si vous pouvez vivre avec son parti pris. Pour ce faire, vous devez comprendre vos données et le type de normalité que suppose votre outil statistique.

C'est la raison pour laquelle les outils fréquentistes sont aussi subjectifs que les outils bayésiens. Vous ne pouvez pas déterminer sur la base des données qu'il est normalement distribué. Vous devez assumer la normalité.


5
Vous ne pouvez rien prouver en utilisant des statistiques. Une preuve est censée être exacte. Les statistiques concernent les probabilités. Même un résultat ap = 0,99 d'un Chi au carré ne "prouve" pas que la distribution sous-jacente n'est pas normale. Il est tout à fait improbable que ce soit normal.
xmjx

@xmjx: Vous ne pouvez même pas dire qu'une distribution donnée est probablement distribuée normalement. Si vous avez une distribution où 99,99% de vos valeurs sont 1 mais 0,01% de vos valeurs sont 1000000, un test statistique qui échantillonne 100 valeurs a de bonnes chances de vous dire à tort que votre distribution est normalement distribuée.
Christian

2
Je ne suis pas un grand expert en statistique, donc cela peut sembler une question idiote ... la "vraie normalité" n'existe-t-elle pas dans le processus sous-jacent qui génère la variable plutôt que les données? Cela peut sembler une distinction stupide, mais peut-être pourrait-il sauver une introspection. Si les données recueillies ne sont pas exactement normales, mais que le processus aléatoire sous-jacent fonctionne d'une manière fondamentalement normale, est-ce une situation où vous pourriez décider de "vivre avec le biais"?
Jonathan

@Christian - votre commentaire selon lequel "... 100 valeurs a de bonnes chances ..." n'est pas confirmé du tout par mon piratage: x = c (rep (1,99), rep (1000000,1)); ks.test (x, pnorm)> L'hypothèse de normalité est toujours "rejetée" par le test KS.
rolando2

J'aime cette réponse (+1) mais c'est un peu pessimiste sur ce qui peut être fait avec l'hypothèse de normalité. C'est généralement un bon point de départ pour toute modélisation, et vous pouvez généraliser à une très large classe de distributions en prenant soit des mélanges soit des fonctions de variables aléatoires normalement distribuées.
probabilitéislogic

4

L'hypothèse de normalité suppose que vos données sont normalement distribuées (la courbe en cloche ou distribution gaussienne). Vous pouvez vérifier cela en traçant les données ou en vérifiant les mesures de kurtosis (la netteté du pic) et de l'asymétrie (?) (Si plus de la moitié des données sont d'un côté du pic).


2
Quels niveaux de kurtosis et d'asymétrie sont acceptables pour répondre à l'hypothèse de normalité?
A Lion

5
La plupart des méthodes statistiques supposent la normalité, non pas des données, mais plutôt d'une variable aléatoire supposée, par exemple le terme d'erreur dans une régression linéaire. La vérification implique de regarder les résidus, pas les données originales!

3

D'autres réponses ont couvert ce qu'est la normalité et les méthodes de test de normalité suggérées. Christian a souligné qu'en pratique la normalité parfaite existe à peine.

Je souligne que l'écart observé par rapport à la normalité ne signifie pas nécessairement que les méthodes supposant la normalité peuvent ne pas être utilisées et que le test de normalité peut ne pas être très utile.

  1. La déviation de la normalité peut être causée par des valeurs aberrantes qui sont dues à des erreurs dans la collecte de données. Dans de nombreux cas, la vérification des journaux de collecte de données vous permet de corriger ces chiffres et la normalité s'améliore souvent.
  2. Pour les grands échantillons, un test de normalité sera en mesure de détecter un écart négligeable par rapport à la normalité.
  3. Les méthodes supposant la normalité peuvent être robustes à la non-normalité et donner des résultats d'une précision acceptable. Le test t est connu pour être robuste dans ce sens, tandis que le test F n'est pas source ( permalien ) . Concernant une méthode spécifique, il est préférable de vérifier la littérature sur la robustesse.

1
Je pense que la raison pour laquelle la normalité est une bonne hypothèse est à cause de son relatif manque d'utilisation des données - seuls les deux premiers moments sont utilisés dans l'estimation avec la distribution normale. Cela rend la vérification diagnostique d'un modèle des moindres carrés très facile - fondamentalement, vous recherchez simplement des valeurs aberrantes qui pourraient influencer les statistiques suffisantes.
probabilityislogic

3

Pour ajouter aux réponses ci-dessus: "L'hypothèse de normalité" est que, dans un modèle , le terme résiduak est normalement distribué. Cette hypothèse (comme je ANOVA) va souvent avec une autre: 2) La variance de est constante, 3) l'indépendance des observations.Y=μ+Xβ+ϵϵσ2ϵ

De ces trois hypothèses, 2) et 3) sont pour la plupart plus importantes que 1)! Vous devriez donc vous en préoccuper davantage. George Box a dit quelque chose dans la ligne de "" Faire un test préliminaire sur les écarts, c'est un peu comme mettre à la mer dans un bateau à rames pour savoir si les conditions sont suffisamment calmes pour un paquebot de quitter le port! "- [Box," Non -normalité et tests sur les variances ", 1953, Biometrika 40, pp. 318-335]"

Cela signifie que les écarts inégaux sont très préoccupants, mais en fait, les tester est très difficile, car les tests sont influencés par une non-normalité si petite qu'elle n'a aucune importance pour les tests de moyennes. Aujourd'hui, il existe des tests non paramétriques pour les variances inégales qui devraient définitivement être utilisés.

Bref, préoccupez-vous D'ABORD des écarts inégaux, puis de la normalité. Lorsque vous vous êtes fait une opinion à leur sujet, vous pouvez penser à la normalité!

Voici beaucoup de bons conseils: http://rfd.uoregon.edu/files/rfd/StatisticalResources/glm10_homog_var.txt


Je suis sûr que mon interprétation est juste. Box a également longuement écrit à ce sujet dans Box, Hunter & Hunter: Statistics for Experimenters que j'ai lu attentivement. Mais maintenant je vois que ce que j'ai écrit sur ce n'était pas ce que je voulais dire, ça devrait dire ... alors sur la normalité! les écarts inégaux sont beaucoup plus importants que la normalité. Bien sûr, l'indépendance est la mère de toutes les hypothèses.
kjetil b halvorsen
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.