Johnson-Transformation

Die Johnson-Transformation ist ein statistisches Verfahren, das nicht normalverteilte Daten in eine annähernd normale Verteilung überführt und sie so für statistische Analysen geeignet macht, die Normalverteilung voraussetzen. Sie verwendet drei Verteilungstypen – SU (unbeschränkt), SB (beschränkt) und SL (lognormal) –, um anhand der Dateneigenschaften die am besten passende Transformation zu ermitteln.

Zuletzt geprüft

Kernaussage

Die Johnson-Transformation ist ein statistisches Verfahren, das nicht normalverteilte Daten in eine annähernd normale Verteilung überführt und sie so für Analysen geeignet macht, die Normalverteilung voraussetzen.

Auf dieser Seite
  1. Was ist die Johnson-Transformation?
  2. Wann wird die Johnson-Transformation eingesetzt?
  3. Hinweise zur richtigen Anwendung der Johnson-Transformation
  4. Alternativen: Wann Sie die Johnson-Transformation nicht verwenden sollten
  5. Beispiel für eine Johnson-Transformation
  6. Anleitung: Johnson-Transformation durchführen

Was ist die Johnson-Transformation?

Die Johnson-Transformation ist ein statistisches Verfahren, das nicht normalverteilte Daten in eine annähernd normale Verteilung überführt und sie so für statistische Analysen geeignet macht, die Normalverteilung voraussetzen. Sie verwendet drei Verteilungstypen – SU (unbeschränkt), SB (beschränkt) und SL (lognormal) –, um anhand der Dateneigenschaften die am besten passende Transformation zu ermitteln. Die von Norman L. Johnson entwickelte Transformation wird in der Qualitätskontrolle und bei Prozessfähigkeitsuntersuchungen häufig eingesetzt. Statistiksoftware automatisiert die Johnson-Transformation in der Regel und unterstützt so die korrekte Interpretation nicht normalverteilter Daten.

Wann wird die Johnson-Transformation eingesetzt?

Die Johnson-Transformation ist in folgenden Fällen nützlich:

  1. Nicht normalverteilte Daten: Wenn Ihre Daten keiner Normalverteilung folgen, insbesondere bei extremer Schiefe oder Wölbung (Kurtosis).
  2. Prozessfähigkeitsanalyse: Für genaue Fähigkeitsindizes (z. B. Cp, Cpk) in der Qualitätskontrolle, wo normalverteilte Daten erforderlich sind.
  3. Regelkarten: Wenn nicht normalverteilte Daten die Genauigkeit der Regelkarte beeinträchtigen, kann die Transformation die Empfindlichkeit der Karte verbessern.
  4. Statistische Tests, die Normalverteilung voraussetzen: Bei Tests wie ANOVA oder t-Tests, die Normalverteilung annehmen, kann die Johnson-Transformation helfen, diese Voraussetzung zu erfüllen.
  5. Beschränkte Daten: Bei ein- oder beidseitig beschränkten Daten wie Prozentsätzen oder Zählwerten kann die Johnson-Transformation die Werte wirksam normalisieren.

Sie wird häufig im Qualitätsmanagement, in der Fertigung und in Six-Sigma-Projekten eingesetzt.

Hinweise zur richtigen Anwendung der Johnson-Transformation

  • Die Daten sollten stetig sein, also Messwerte, die innerhalb eines bestimmten Bereichs auf einer kontinuierlichen Skala jeden beliebigen Zahlenwert einschließlich Brüchen und Dezimalwerten annehmen können. Typische Beispiele sind Größen wie Länge, Gewicht und Temperatur.

Alternativen: Wann Sie die Johnson-Transformation nicht verwenden sollten

  • Um eine Prozessfähigkeitsanalyse bei Normalverteilung für nicht normalverteilte Daten mit einer Johnson-Transformation durchzuführen, ohne die transformierten Werte zu speichern, können Sie direkt die Transform-Optionen in Normal Capability Analysis wählen. Wird eine Box-Cox-Transformation bevorzugt – etwa für Regelkarten oder in Individual Distribution Identification –, ist diese Methode einfach und intuitiv, aber auf Daten mit ausschließlich positiven Werten beschränkt. Ist eine Transformation der Daten nicht nötig, können Sie die Daten alternativ über die Option Individual Distribution Identification direkt an eine nicht normale Verteilung anpassen.

Beispiel für eine Johnson-Transformation

Ein Qualitätsingenieur eines Herstellers von Nahrungsergänzungsmitteln möchte den Calciumgehalt von Vitaminkapseln beurteilen. Er entnimmt eine Zufallsstichprobe von Kapseln und misst deren Calciumgehalt. Aus früheren Beobachtungen weiß er, dass die Daten rechtsschief verteilt sind.

Deshalb wendet er die Johnson-Transformation an, um die Daten zu normalisieren, und speichert die transformierten Werte für weitere Analysen im Arbeitsblatt. Er geht dabei wie folgt vor:

  1. Die nötigen Daten wurden erhoben.
Johnson Transformation — figure 1
  1.  Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
  2.  Um die Johnson-Transformation zu finden, wählen Sie Statistical module> Control Charts>Johnson Transformation.
  3.  Im Tool gibt er die Daten zusammen mit weiteren Eingaben wie folgt ein:
Johnson Transformation — figure 2

5. Mit dem oben genannten Tool erhält er folgende Ausgabe:

Johnson Transformation — figure 3Johnson Transformation — figure 4

Anleitung: Johnson-Transformation durchführen

Gehen Sie wie folgt vor:

  1. Melden Sie sich bei Zometric Statistical Software an: https://statsai.zometric.com/
  2. Wählen Sie auf der Startseite Statistical Tool> Control Charts >Johnson Transformation.
  3. Klicken Sie auf Johnson Transformation, um zum Dashboard zu gelangen.
  4. Geben Sie anschließend die Daten manuell ein oder kopieren Sie sie vollständig (Ctrl+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Ctrl+V).
  5. Füllen Sie anschließend die erforderlichen Optionen aus.
  6. Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.

Das Dashboard von Johnson Transformation ist in zwei Bereiche geteilt.

Johnson Transformation — figure 5

Links befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Ctrl+C) und hier eingefügt (Ctrl+V) werden.

Load example: Beispieldaten werden geladen.

Load File: Damit laden Sie Excel-Daten direkt.

Rechts stehen folgende Optionen zur Verfügung:

  • Subgroup Columns: Wählen Sie die Spalten (Attribute name) entsprechend den vorliegenden Daten aus.
  • P-value to select best fit: Geben Sie einen Wert zwischen 0 und 1 ein, um das Signifikanzniveau für den Test auf Normalverteilung vor und nach der Transformation festzulegen. Ein höheres Signifikanzniveau legt strengere Kriterien für die Normalverteilung an, ein niedrigerer Wert weniger strenge. Zur Beurteilung der Verteilungsanpassung wird häufig ein Alpha von 0.05 oder 0.10 verwendet.

Häufig gestellte Fragen

Was ist die Johnson-Transformation?

Die Johnson-Transformation überführt nicht normalverteilte Daten in eine annähernd normale Verteilung, damit sie in Analysen verwendet werden können, die Normalverteilung voraussetzen. Sie verwendet drei Verteilungstypen, SU (unbeschränkt), SB (beschränkt) und SL (lognormal), um die für die Daten am besten passende Transformation zu finden. Sie wurde von Norman L. Johnson entwickelt und wird in der Qualitätskontrolle und bei Prozessfähigkeitsuntersuchungen häufig eingesetzt.

Wann sollten Sie eine Johnson-Transformation verwenden?

Verwenden Sie sie, wenn die Daten keiner Normalverteilung folgen, insbesondere bei extremer Schiefe oder Wölbung; für Fähigkeitsindizes wie Cp und Cpk, die normalverteilte Daten erfordern; wenn nicht normalverteilte Daten die Genauigkeit der Regelkarte beeinträchtigen; für Tests wie ANOVA oder t-Tests, die Normalverteilung annehmen; und für ein- oder beidseitig beschränkte Daten. Die Daten sollten stetig sein.

Was ist der Unterschied zwischen Johnson- und Box-Cox-Transformation?

Die Box-Cox-Transformation ist einfach und intuitiv, aber auf Daten mit ausschließlich positiven Werten beschränkt. Die Johnson-Transformation wählt zur Anpassung an die Daten zwischen den Familien SU, SB und SL. Ist keine Transformation nötig, können Sie die Daten stattdessen mit Individual Distribution Identification direkt an eine nicht normale Verteilung anpassen.

Welchen p-Wert sollten Sie zur Auswahl der besten Johnson-Anpassung verwenden?

P-value to select best fit (zwischen 0 und 1) legt das Signifikanzniveau für den Test auf Normalverteilung vor und nach der Transformation fest. Ein höherer Wert legt strengere Kriterien für die Normalverteilung an, ein niedrigerer weniger strenge. Zur Beurteilung der Verteilungsanpassung wird häufig ein Alpha von 0.05 oder 0.10 verwendet.