การทดสอบการแจกแจงปกติ

การทดสอบความเป็นปกติคืออะไร?

วิธีทางสถิติจำนวนมาก ทั้งแผนภูมิควบคุม ดัชนีความสามารถของกระบวนการ (Cpk/Ppk) การทดสอบ t และ ANOVA ต่างตั้งอยู่บนข้อสมมติว่าข้อมูลพื้นฐานมีการแจกแจงปกติ (เกาส์เซียน) การทดสอบภาวะปกติจึงเป็นการยืนยันข้อสมมตินี้ก่อนนำวิธีเหล่านั้นไปใช้ หากละเมิดภาวะปกติ อาจทำให้ช่วงความเชื่อมั่น ค่าประมาณความสามารถของกระบวนการ และข้อสรุปจากการทดสอบสมมติฐานผิดพลาดได้

การทดสอบ Shapiro-Wilk มีอำนาจการทดสอบสูงที่สุดสำหรับตัวอย่างขนาดเล็กถึงปานกลาง (n < 5000) การทดสอบ Anderson-Darling ไวต่อความเบี่ยงเบนบริเวณหางของการแจกแจง จึงมีประโยชน์กับงานด้านความเชื่อถือได้และค่าสุดขีด ส่วนการทดสอบ Jarque-Bera พิจารณาความเบ้และความโด่ง ซึ่งใช้ได้ดีกับตัวอย่างขนาดใหญ่

การทดสอบทั้งหมดใช้โครงสร้างสมมติฐานเดียวกัน: H₀ (สมมติฐานหลัก) = ข้อมูลมีการแจกแจงปกติ; H₁ = ข้อมูลไม่เป็นปกติ ถ้าค่า p < α (โดยทั่วไปคือ 0.05) ให้ปฏิเสธภาวะปกติ กราฟ QQ ช่วยยืนยันด้วยสายตา จุดที่เรียงอยู่บนเส้นทแยงมุมบ่งชี้ภาวะปกติ ส่วนความเบี่ยงเบนอย่างเป็นระบบจะเผยลักษณะของความไม่ปกตินั้น

Formula: Shapiro-Wilk: W = (Σ aᵢ x(ᵢ))² / Σ(xᵢ - x̄)² Anderson-Darling: A² = -n - Σ[(2i-1)/n](ln F(x(ᵢ)) + ln(1-F(x(n+1-i)))) reported as A*² = A²(1 + 0.75/n + 2.25/n²) Jarque-Bera: JB = (n/6)(S² + K²/4) where S = skewness, K = excess kurtosis Reject normality if p-value < α (typically 0.05)

ตัวอย่างการคำนวณ

ทดสอบค่าวัด 20 ค่า: Shapiro-Wilk W = 0.965, p = 0.42; Anderson-Darling A² = 0.31, p = 0.52; Jarque-Bera JB = 1.2, p = 0.55 ค่า p ทุกค่า > 0.05 จึงไม่ปฏิเสธภาวะปกติ กราฟ QQ แสดงจุดที่เกาะแนวเส้นทแยงมุมอย่างใกล้ชิด ข้อมูลนี้จึงถือได้ว่ามีการแจกแจงปกติ

เมื่อใดควรใช้เครื่องคำนวณนี้

• ก่อนคำนวณ Cpk หรือ Ppk — ดัชนีความสามารถกระบวนการสมมติว่าข้อมูลเป็นปกติ ข้อมูลที่ไม่เป็นปกติต้องการการแปลงหรือวิธีทางเลือก
• ก่อนทำ t-test หรือ ANOVA — การทดสอบพาราเมตริกเหล่านี้สมมติว่า residuals มีการกระจายแบบปกติ การละเมิดส่งผลต่อความแม่นยำของช่วงความเชื่อมั่น
• เมื่อตั้งค่าแผนภูมิควบคุม SPC — ขีดจำกัดแผนภูมิควบคุมมาตรฐานสมมติความเป็นปกติ ข้อมูลที่ไม่เป็นปกติอย่างมากต้องใช้แผนภูมิประเภทอื่น
• ระหว่างการตรวจสอบขาเข้าเมื่อข้อมูลดูผิดปกติ — การทดสอบความเป็นปกติช่วยกำหนดว่าการกระจายเปลี่ยนไปหรือต้องใช้แบบจำลองการกระจายอื่น
• เมื่อเตรียมข้อมูลสำหรับการวิเคราะห์ regression — การตรวจสอบความเป็นปกติของ residuals ยืนยันสมมติฐานที่เป็นพื้นฐานของแบบจำลอง regression

ข้อผิดพลาดที่พบบ่อยที่ควรหลีกเลี่ยง

• ปฏิเสธความเป็นปกติตามค่า p เพียงอย่างเดียวด้วยตัวอย่างขนาดใหญ่มาก — ด้วย n > 500 การทดสอบตรวจจับการเบี่ยงเบนเล็กน้อยจากความเป็นปกติที่ไม่มีผลกระทบในทางปฏิบัติ ใช้ QQ-plot สำหรับการตัดสินด้วยสายตาเสมอ
• ยอมรับความเป็นปกติโดยไม่ตรวจสอบด้วยตัวอย่างเล็ก (n < 20) — การทดสอบมี power ต่ำด้วยตัวอย่างเล็กและอาจตรวจไม่พบการเบี่ยงเบนที่มีความหมายจากความเป็นปกติ
• ใช้การทดสอบความเป็นปกติกับข้อมูลจำนวนเต็มหรือข้อมูลที่ปัดเศษมาก — ข้อมูลไม่ต่อเนื่องหรือข้อมูลที่มีค่าเฉพาะน้อยสามารถล้มเหลวการทดสอบความเป็นปกติแม้ว่ากระบวนการพื้นฐานจะเป็นปกติ ตรวจสอบว่าความละเอียดของการวัดเพียงพอ
• ทดสอบข้อมูลดิบเมื่อควรทดสอบ residuals — สำหรับ regression และ ANOVA เป็น residuals (ไม่ใช่ข้อมูลดิบ) ที่ต้องมีการกระจายแบบปกติ

วิธีตีความผลลัพธ์

• การทดสอบทั้งหมดแสดง p > 0.05 และ QQ-plot เป็นเส้นตรง — ข้อมูลสอดคล้องกับความเป็นปกติ ใช้วิธีพาราเมตริกและการวิเคราะห์ความสามารถมาตรฐานได้
• การทดสอบแสดง p < 0.05 แต่ QQ-plot ดูเป็นเส้นตรงโดยประมาณ — ด้วยตัวอย่างใหญ่ การเบี่ยงเบนเล็กน้อยสามารถสร้างค่า p ที่มีนัยสำคัญ หาก QQ-plot เกือบเป็นเส้นตรง ความเป็นปกติเพียงพอสำหรับวัตถุประสงค์เชิงปฏิบัติส่วนใหญ่
• QQ-plot แสดงเส้นโค้ง S — ข้อมูลมีหางหนากว่าปกติ (leptokurtic) พิจารณา t-distribution หรือวิธี robust
• QQ-plot แสดงความโค้งอย่างเป็นระบบ (เว้าหรือนูน) — ข้อมูลเบ้ ลองการแปลง log หรือ Box-Cox
• การทดสอบต่างๆ ไม่เห็นด้วย — Shapiro-Wilk เชื่อถือได้มากที่สุดสำหรับการใช้งานทั่วไป Anderson-Darling ดีที่สุดเมื่อหางมีความสำคัญ (ความน่าเชื่อถือ) ใช้ QQ-plot เป็นผู้ตัดสินด้วยภาพ

มาตรฐานและเอกสารอ้างอิงที่เกี่ยวข้อง

• ISO 5479 — การตีความข้อมูลเชิงสถิติ: การทดสอบการเบี่ยงเบนจากการแจกแจงปกติ มาตรฐานสากลที่ครอบคลุมระเบียบวิธีการทดสอบความเป็นปกติ
• Shapiro & Wilk (1965), Biometrika — บทความต้นฉบับที่นำเสนอสถิติ W ที่ใช้งานที่นี่
• NIST/SEMATECH e-Handbook §1.3.5 — ขั้นตอนอ้างอิงสำหรับการทดสอบ Anderson-Darling และพล็อตความน่าจะเป็นปกติ (Q-Q)
• Jarque & Bera (1987), International Statistical Review — การทดสอบความเป็นปกติจากความเบ้และความโด่งที่ใช้กับตัวอย่างขนาดใหญ่
• AIAG SPC Reference Manual — กำหนดให้ตรวจสอบความเป็นปกติก่อนคำนวณดัชนีความสามารถ เช่น Cpk และ Ppk

คำถามที่พบบ่อย

ฉันควรทำอย่างไรหากข้อมูลไม่ผ่านการทดสอบความปกติ (normality test)?

ทางเลือกมีดังนี้: (1) แปลงข้อมูลด้วยลอการิทึม การแปลงแบบ Box-Cox หรือการแปลงแบบ Johnson เพื่อให้เข้าใกล้ภาวะปกติ (2) ใช้วิธีที่ไม่อิงพารามิเตอร์ซึ่งไม่ตั้งข้อสมมติเรื่องภาวะปกติ (เช่น ใช้ Mann-Whitney แทนการทดสอบ t) (3) ปรับข้อมูลเข้ากับการแจกแจงอื่น (ไวบูล ล็อกนอร์มัล ฯลฯ) ที่อธิบายข้อมูลได้ดีกว่า (4) สำหรับตัวอย่างขนาดใหญ่ (n > 30) ทฤษฎีบทลิมิตกลางมักทำให้การละเมิดภาวะปกติส่งผลน้อยลงต่อการทดสอบที่อิงค่าเฉลี่ย

ทำไมการทดสอบภาวะปกติแต่ละวิธีจึงให้ผลต่างกัน

การทดสอบแต่ละวิธีไวต่อลักษณะความไม่ปกติที่ต่างกัน Shapiro-Wilk มีอำนาจการทดสอบโดยรวมดีที่สุดในการตรวจจับความเบี่ยงเบนหลากหลายรูปแบบ Anderson-Darling เน้นความเบี่ยงเบนบริเวณหาง (สำคัญต่องานด้านความเชื่อถือได้) ส่วน Jarque-Bera มุ่งไปที่ความเบ้และความโด่ง เมื่อข้อมูลอยู่ในภาวะก้ำกึ่ง การทดสอบหนึ่งอาจปฏิเสธในขณะที่วิธีอื่นไม่ปฏิเสธ ให้ใช้กราฟ QQ เป็นตัวชี้ขาดด้วยสายตา