Для моего исследования я пытаюсь приспособить распределение к моим данным в R.
После построения гистограммы, графика Каллена и Фрея и наблюдения графиков QQ я протестировал распределение гамма, вейбулла, бета и логнормальное с помощью теста KS с использованием параметров MLE. Однако все распределения оказались существенно различными, т. Е. KS.test = p<0.05.
Поскольку это распределение послужит основой для моих исследований, для меня важно найти подходящую подгонку. Интересно, почему это происходит? Это потому, что размер моей выборки (n=8949) слишком велик? Поскольку при увеличении N более вероятно, что фактические данные отклоняются от теоретического распределения, и, следовательно, значение P становится меньше. Или это потому, что KS.test не подходит, и я должен вместо этого сделать тест AD?
Я также пытался выполнить тест AD для распределения Weibull и Gamma, но я не знаю, как правильно их выполнить. Например, функция gofstat будет давать только статистику теста, но не значения p.
Надеюсь, кто-нибудь может мне помочь,
Заранее спасибо!
descdist(df$value, discrete = FALSE, boot=1001)
ggplot(df, aes(x=value)) + geom_histogram(binwidth =0.05, colour="black", fill="white") + geom_vline(aes(xintercept=mean(value, na.rm=T)),color="red", linetype="dashed", size=1)
fitdistr(df$value, "weibull", lower=c(0,0))
ks.test(df$value, "pweibull", shape=1.039792830, scale=0.099310090)
c(0.006055076, 0.078882901, 0.040908764, 0.056675063, 0.212886598,0.012975779, 0.126702997, 0.320462232, 0.103448276, 0.006457848, 0.014344262, 0.038720612, 0.046426529, 0.00120048, 0.044226044, 0.036389753, 0.061438416, 0.053459119, 0.113921872, 0.172096084, 0.005617208, 0.012903226, 0.03904315, 0.025947966, 0.376678445, 0.074242048, 0.030187768, 0.136665612, 0.106063996, 0.131401884, 0.1760674, 0.086108308, 0.08617212, 0.094750118, 0.168123393, 0.179432624, 0.131021195, 0.076757422, 0.121017975, 0.018665783, 0.309490787, 0.081351189, 0.025745257, 0.193331143, 0.058882236, 0.140890514, 0.189203354, 0.031100825, 0.01419315, 0.093666993)