 | |
| 节点状态 |  /  Win10及以上可用在V1.0部署
|
|---|---|
多因素正态性检验  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | Normality Test_Multivariate |
| 功能主类别 | 数据分析 |
| 英文缩写 | NomTM |
| 功能亚类别 | 正态性检验 |
| 节点类型 | 数据挖掘 |
| 开发语言 | R |
| 节点简介 | |
多因素正态性检验用于检查多个观测值是否符合正态分布。此检验使用的方法有:Mardia检验,Henze-Zirkler检验, 和Royston检验。 用途：用于检验多个变量是否服从多元正态分布。 参数：选择多个连续型数值变量 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 3个 |
| Output-出口 | 3个 |
| Loop-支持循环 | 是 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 单因素正态性检验 |
| 下一节点 | 单样本T检验 |
节点使用的R语言示例代码
多因素正态性检验
mvn(
data,
subset = NULL,
mvnTest = "hz",
covariance = TRUE,
tol = 1e-25,
alpha = 0.5,
scale = FALSE,
desc = TRUE,
transform = "none",
R = 1000,
univariateTest = "AD",
univariatePlot = "none",
multivariatePlot = "none",
multivariateOutlierMethod = "none",
bc = FALSE,
bcType = "rounded",
showOutliers = FALSE,
showNewData = FALSE
)
方法参见R package: MVN的官方文档
节点使用指南
- 检验数据是否服从多变量正态分布
方法选择
- Mardia：侧重于评估多元数据的偏度和峰度，对大样本可能过于敏感
- Henze-Zirkler：基于核估计方法，对样本大小和维度具有良好的适应性
- Royston：基于多个单变量正态性检验的拓展，Shapiro-Wilk检验的多变量版本，适用于中等样本大小和小至中等数量的变量
参数配置
- 检验变量：选择多个连续型数值变量
- 正态检验方法: Mardia，Henze-Zirkler，Royston
- 筛选阈值：选择需要的P值阈值，节点会自动将满足阈值的变量筛选出，数据集也会同步筛选出满足的变量。
- 此算法兼容空值
注意事项
- 多变量正态性的假设是许多统计方法（如多元方差分析、因子分析和多元回归分析）的前提条件
引用
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
