آزمون نیکویی برازش بدون استفاده از کولموگروف اسمیرنف
برای بررسی نرمال بودن توزیع داده های از آزمونهای رایج کولموگروف- اسمیرنف و شاپیرو -ویلک استفاده می کنند. چند نکته مهم باید در اینجا بررسی شود
1- آزمون های اشاره شده برای اندازه داده های بزرگ قابل استفاده نیست زیرا هرچه حجم نمونه بیشتر شود احتمال رد شدن توزیع نرمال نیز بیشتر خواهد شد که این به مقدار-احتمال مربوط میشود که به ازای افزایش نمونه کوچک می شود و منجر به تایید فرض ادعا می شود.
2- از قضیه حدمرکزی برای داده های تقریبا متقارن به ازای حجم نمونه بیشتر از 30 و غیر متقارن به ازای حجم نمونه بزرگتر از 100 می توان نتیجه گرفت که بدون انجام آزمون نیکویی برازش توزیع میانگین آنها نرمال است و نیازی به انجام آزمون کولموگروف- اسمیرنف و شاپیرو -ویلک نخواهد بود.
3- در تحقیقاتی که اخیرا توسط محققانی نظیر کلر(2015) و لوین (2011) انجام شده دستور العمل ساده ای برای بررسی توزیع نرمال داده ها ارائه شده است
با توجه به دستور العمل کللر (Keller, 2015) هنگامی که با داده های زیاد سر و کار داریم در صورتی که ضریب چولگی و ضریب کشیدگی بر خطای برآوردشان تقسیم شوند مقدار استاندارد Z به دست می آید که بر اساس آن می توان نرمال بودن توزیع داده ها را بررسی کرد.
4- آماره های آزمون دیگری هم برای آزمون نیکویی برازش وجود دارد نظیر آزمون کولبک-لیبلر و آزمون لین-وانگ و.... که یک مقاله برای داده های سانسور نوع یک توسط نویسنده مطلب با استفاده از این دو آزمون و آزمونهای اشاره شده کولموگروف- اسمیرنف و شاپیرو -ویلک انجام یافته است
Keller, Gerald. Statistics for Management and Economics, Abbreviated. Cengage Learning, 2015
.Levin, Richard I. Statistics for management. Pearson Education India, 2011.
Pakgohar, A. L. I. R. E. Z. A., Arezou Habibirad, and Fatemeh Yousefzadeh. "Goodness of fit test using Lin-Wong divergence based on Type-I censored data." Communications in Statistics-Simulation and Computation 49.9 (2020): 2485-2504.
نخست آنکه پاک گوهر يعني پاک نژاد. اصیل . مَحض . پاکزاد: