Parametrische Methoden (t-Tests, ANOVA, Pearson-Korrelation) setzen bestimmte Eigenschaften der Daten voraus. Dieser Leitfaden behandelt die drei häufigsten Annahmen und die zugehörigen kstats-Funktionen.
Normalität
Verfügbare Tests
| Test | Funktion | Geeignet für |
|---|
| Shapiro-Wilk | shapiroWilkTest(sample) | Universeller Standard, Stichproben bis ~5000 |
| Anderson-Darling | andersonDarlingTest(sample) | Empfindlich gegenüber Abweichungen in den Rändern |
| D’Agostino-Pearson | dagostinoPearsonTest(sample) | Omnibus-Test über Schiefe und Kurtosis, n > 20 |
| Jarque-Bera | jarqueBeraTest(sample) | Große Stichproben, prüft Schiefe und Kurtosis gemeinsam |
Alle vier auf denselben Datensatz anwenden
val sensorReadings = doubleArrayOf(
150.2, 151.8, 149.6, 152.1, 150.9, 151.3, 149.8, 152.5, 150.4, 151.1,
150.7, 149.5, 151.6, 150.0, 152.3, 151.0, 149.9, 150.8, 151.5, 150.3,
151.2, 149.7, 150.6, 152.0, 150.1, 151.4, 149.4, 151.9, 150.5, 151.7
)
val shapiro = shapiroWilkTest(sensorReadings)
val anderson = andersonDarlingTest(sensorReadings)
val dagostino = dagostinoPearsonTest(sensorReadings)
val jarqueBera = jarqueBeraTest(sensorReadings)
shapiro.pValue // Shapiro-Wilk
anderson.pValue // Anderson-Darling
dagostino.pValue // D'Agostino-Pearson
jarqueBera.pValue // Jarque-Bera
Wenn die Tests unterschiedliche Ergebnisse liefern, bevorzugen Sie Shapiro-Wilk für kleine bis mittlere Stichproben und Anderson-Darling, wenn das Verhalten in den Rändern relevant ist.
Mit deskriptiver Statistik kombinieren
val summary = sensorReadings.describe()
summary.skewness // close to 0 for symmetric data
summary.kurtosis // close to 0 (excess) for Normal-like tails
Varianzhomogenität
Beim Vergleich von Gruppen (t-Test, ANOVA) wird häufig Varianzgleichheit vorausgesetzt.
| Test | Funktion | Setzt Normalität voraus? |
|---|
| Levene | leveneTest(group1, group2, ...) | Nein — robust gegenüber Nicht-Normalität |
| Bartlett | bartlettTest(group1, group2, ...) | Ja — trennschärfer bei normalverteilten Daten |
| Fligner-Killeen | flignerKilleenTest(group1, group2, ...) | Nein — nicht-parametrisch, medianbasiert |
Varianzen vor der ANOVA prüfen
val batchA = doubleArrayOf(48.2, 47.8, 49.1, 48.5, 47.9, 48.7, 48.3, 49.0, 48.1, 48.6)
val batchB = doubleArrayOf(51.3, 50.8, 52.1, 51.0, 51.7, 50.5, 51.9, 51.2, 50.9, 51.5)
val batchC = doubleArrayOf(49.5, 50.2, 49.8, 50.0, 49.3, 50.4, 49.7, 50.1, 49.6, 50.3)
val levene = leveneTest(batchA, batchB, batchC)
val bartlett = bartlettTest(batchA, batchB, batchC)
val fligner = flignerKilleenTest(batchA, batchB, batchC)
levene.pValue // Levene
bartlett.pValue // Bartlett
fligner.pValue // Fligner-Killeen
Dann ANOVA durchführen
val anova = oneWayAnova(batchA, batchB, batchC)
anova.fStatistic
anova.pValue
Anpassungsgüte
Kolmogorov-Smirnov-Test
Vergleichen Sie beobachtete Daten mit einer theoretischen Verteilung.
val temperatureReadings = doubleArrayOf(
155.2, 154.8, 156.1, 155.5, 154.3, 155.9, 155.0, 156.3, 154.7, 155.4,
155.8, 154.5, 156.0, 155.3, 154.9, 155.7, 155.1, 156.2, 154.6, 155.6
)
// Fit Normal from sample
val fitted = NormalDistribution(
mu = temperatureReadings.mean(),
sigma = temperatureReadings.standardDeviation()
)
val ks = kolmogorovSmirnovTest(temperatureReadings, fitted)
ks.statistic // smaller means better fit
ks.pValue
Chi-Quadrat-Anpassungstest
Prüfen Sie, ob beobachtete Kategoriehäufigkeiten den erwarteten Proportionen entsprechen.
// Defect counts across 5 product categories
val observedDefects = intArrayOf(12, 18, 25, 15, 30)
// Test against uniform expectation (null = equal probability per category)
val uniform = chiSquaredTest(observedDefects)
uniform.pValue
// Test against specific expected counts
val expectedCounts = doubleArrayOf(20.0, 20.0, 20.0, 20.0, 20.0)
val specific = chiSquaredTest(observedDefects, expectedCounts)
specific.pValue
Zwei-Stichproben-KS-Test
Vergleichen Sie zwei Stichproben, ohne eine bestimmte Verteilung vorauszusetzen.
val morningReadings = doubleArrayOf(
155.2, 154.8, 156.1, 155.5, 154.3, 155.9, 155.0, 156.3, 154.7, 155.4
)
val nightReadings = doubleArrayOf(
156.1, 155.3, 157.0, 156.5, 155.8, 156.8, 155.5, 157.2, 155.9, 156.3
)
val twoSampleKs = kolmogorovSmirnovTest(morningReadings, nightReadings)
twoSampleKs.pValue // low p-value suggests different underlying distributions
