用R语言进行数据分析：检验一个数据集的分布

我们可以用很多方法分析一个单变量的数据集。 最简单的办法就是直接看数字。利用函数 summary 和 fivenum 会得到 两个稍稍有点差异的汇总信息。 此外，stem (“茎叶”图)也会反映整个数据集的数字信息的。

> attach(faithful) > summary(eruptions) Min. 1st Qu. Median Mean 3rd Qu. Max. 1.600 2.163 4.000 3.488 4.454 5.100 > fivenum(eruptions) [1] 1.6000 2.1585 4.0000 4.4585 5.1000 > stem(eruptions) The decimal point is 1 digit(s) to the left of the | 16 | 070355555588 18 | 000022233333335577777777888822335777888 20 | 00002223378800035778 22 | 0002335578023578 24 | 00228 26 | 23 28 | 080 30 | 7 32 | 2337 34 | 250077 36 | 0000823577 38 | 2333335582225577 40 | 0000003357788888002233555577778 42 | 03335555778800233333555577778 44 | 02222335557780000000023333357778888 46 | 0000233357700000023578 48 | 00000022335800333 50 | 0370

茎叶图和柱状图相似，R 用函数 hist 绘制柱状图的。

> hist(eruptions) ## 让箱距缩小，绘制密度图 > hist(eruptions, seq(1.6, 5.2, 0.2), prob=TRUE) > lines(density(eruptions, bw=0.1)) > rug(eruptions) # show the actual data points

许多不错的密度图都是用 density 绘制的。在这个例子中， 我们加了一条由 density 产生的曲线。你可以用试错法（trial-and-error） 选择带宽 bw（bandwidth）因为默认的带宽值让密度曲线过于平滑 （这样做常常会让你得到非常有“意思”的密度分布）。(现在已经有 自动的带宽挑选办法，在这个例子中 bw = "SJ"给出了不错的结果。)

我们可以用函数 ecdf 得到一个数据集的 经验累积分布（empirical cumulative distribution）

> plot(ecdf(eruptions), do.points=FALSE, verticals=TRUE)

这个分布和其他标准分布差异很大。 这种分布说明火山爆发都在3分钟以后发生1。 让我们拟合一个正态分布，并且重叠上面得到的经验累积密度分布。

> long <- eruptions[eruptions > 3] > plot(ecdf(long), do.points=FALSE, verticals=TRUE) > x <- seq(3, 5.4, 0.01) > lines(x, pnorm(x, mean=mean(long), sd=sqrt(var(long))), lty=3)

分位比较图（Quantile-quantile (Q-Q) plot）可以让我们更细致地研究二者的吻合程度。

par(pty="s") # 设置一个方形的图形区域 qqnorm(long); qqline(long)

上述命令得到的QQ图表明二者还是比较吻合的，但右侧尾部 偏离期望的正态分布。我们可以用 t 分布 得到一些模拟数据重复上面的过程

x <- rt(250, df = 5) qqnorm(x); qqline(x)

得到的QQ图常常会出现偏离正态期望的长尾部(如果是随机样本)。 我们可以用下面的命令针对特定的分布绘制 Q-Q图

qqplot(qt(ppoints(250), df = 5), x, xlab = "Q-Q plot for t dsn") qqline(x)

最后，我们需要更为正规的正态性检验。 R提供了 Shapiro-Wilk 检验

> shapiro.test(long) Shapiro-Wilk normality test data: long W = 0.9793, p-value = 0.01052

和 Kolmogorov-Smirnov 检验

> ks.test(long, "pnorm", mean = mean(long), sd = sqrt(var(long))) One-sample Kolmogorov-Smirnov test data: long D = 0.0661, p-value = 0.4284 alternative hypothesis: two.sided

(注意一般的统计分布理论（distribution theory）在这里可能无效， 因为我们用同样的一个样本对正态分布的参数进行 估计的。)

原创文章，作者：大西，如若转载，请注明出处：《用R语言进行数据分析：检验一个数据集的分布》http://www.afenxi.com/post/2732