포아송 적합도 검정(Poisson Goodness Of Fit)

포아송 적합도 검정은 계수 데이터가 포아송 분포를 따르는지 판단합니다. 포아송 분포는 일정한 시간, 면적, 부피 또는 기회 구간 안에서 드문 사건이 발생하는 횟수를 설명하는 분포입니다. 데이터가 포아송 분포에 잘 맞으면 사건이 일정한 평균 비율로 무작위로, 그리고 독립적으로 발생한다는 것이 확인됩니다.

최종 검토

핵심 요점

포아송 적합도 검정은 계수 데이터가 포아송 분포를 따르는지 판단합니다. 포아송 분포는 일정한 시간, 면적, 부피 또는 기회 구간 안에서 드문 사건이 발생하는 횟수를 설명합니다.

이 페이지 내용
  1. 포아송 적합도 검정이란?
  2. 포아송 적합도 검정은 언제 사용합니까?
  3. 포아송 적합도 검정의 올바른 사용 지침
  4. 대안: 포아송 적합도 검정을 사용하지 않아야 할 때
  5. 포아송 적합도 검정 예제
  6. 포아송 적합도 검정 방법

포아송 적합도 검정이란?

포아송 적합도 검정은 계수 데이터가 포아송 분포를 따르는지 판단합니다. 포아송 분포는 일정한 시간, 면적, 부피 또는 기회 구간 안에서 드문 사건이 발생하는 횟수를 설명하는 분포입니다. 데이터가 포아송 분포에 잘 맞으면 사건이 일정한 평균 비율로 무작위로, 그리고 독립적으로 발생한다는 것이 확인됩니다.

일반적인 적용 예로는 단위당 결점 수, 시간당 고객 도착 수, 월별 설비 고장 수가 포아송 모형을 따르는지 검정하는 것이 있으며, 이 모형은 통계적 공정 관리에서 C 관리도와 U 관리도의 기반이 됩니다.

간단한 정의: 계수 데이터가 포아송 분포에 맞는지 확인하는 검정으로, 드문 사건이 일정한 평균 비율로 무작위로, 그리고 독립적으로 발생하고 있음을 확인합니다.

포아송 적합도 검정은 언제 사용합니까?

  • 단위당 결점 수, 문서당 오류 수, 기계당 월별 고장 수처럼 데이터가 측정값이 아닌 사건의 개수 로 구성될 때 사용합니다.
  • C 관리도, U 관리도 또는 포아송 회귀를 적용하기 전에 포아송 과정의 가정을 검증 하려는 경우에 사용합니다.
  • 사건이 기회의 크기에 비해 드물 때 사용합니다. 포아송 분포는 단일 사건의 확률은 낮지만 기회의 수는 많을 때 적합합니다.
  • 데이터에서 과대산포를 진단 하려는 경우에 사용합니다. 데이터가 포아송 적합에 유의하게 실패하면 분산이 평균을 초과하며, 이는 표준 C 관리도나 U 관리도가 놓치는 추가적인 변동 원인이 있음을 시사합니다.

포아송 적합도 검정의 올바른 사용 지침

  • 사건은 독립적 이어야 합니다. 한 사건의 발생이 다음 사건의 발생 가능성에 영향을 주어서는 안 됩니다.
  • 모든 관측 기간에 걸쳐 평균 발생 비율이 일정 해야 합니다. 시간에 따라 비율이 변하면 포아송 모형은 적합하지 않습니다.
  • 신뢰할 수 있는 검정을 위해 각 계수 범주의 기대 도수가 1~5 이상 인지 확인하십시오. 필요하면 계수가 낮은 범주를 합치십시오.
  • 검정에서 0.05보다 작은 p-값 은 데이터가 포아송 분포에 맞지 않음을 나타냅니다. 과대산포, 군집, 변화하는 비율 중 어느 것이 원인인지 조사하십시오.

대안: 포아송 적합도 검정을 사용하지 않아야 할 때

  • 계수 데이터가 과대산포로 인해 포아송 적합에 실패하는경우에는 다음을 사용하십시오: 음이항 분포 또는 Laney U' / Laney P' 관리도
  • 반응이 계수가 아닌 범주형인 경우에는 다음을 사용하십시오: 카이제곱 적합도 검정
  • 반응이 연속형인 경우에는 다음을 사용하십시오: 정규성 검정 또는 개별 분포 식별
  • 사건이 드물지 않거나 사건 발생률이 높으면포아송 가정이 성립하지 않을 수 있으므로 다음을 고려하십시오: 이항분포 검정

포아송 적합도 검정 예제

한 품질 엔지니어가 휴대폰당 결점 수가 포아송 분포를 따르는지 알고 싶어 합니다. 엔지니어는 휴대폰 300대를 무작위로 선택하여 휴대폰당 결점 수를 기록합니다. 검정 단계는 다음과 같습니다.

  1. 필요한 데이터를 수집했습니다.
Poisson Goodness Of Fit — figure 1
  1.  이제 Zometric Statistical Software에서 데이터를 분석합니다: https://statsai.zometric.com/.
  2.  포아송 적합도 검정을 찾으려면 다음을 선택합니다: Statistical module> Hypothesis Test> Poisson Goodness Of Fit.
  3.  도구 안에서 데이터와 기타 입력값을 다음과 같이 입력합니다.
Poisson Goodness Of Fit — figure 2

5. 위 도구를 사용하면 다음과 같은 출력을 얻습니다.

Poisson Goodness Of Fit — figure 3Poisson Goodness Of Fit — figure 4

포아송 적합도 검정 방법

절차는 다음과 같습니다.

  1. Zometric Statistical Software에 로그인합니다: https://statsai.zometric.com/
  2. 홈 페이지에서 Statistical Tool> Hypothesis Test >Poisson Goodness Of Fit를 선택합니다.
  3. 다음으로, 데이터를 직접 입력하거나 Excel 시트에서 데이터 전체를 복사(Ctrl+C)하여 붙여넣습니다(Ctrl+V).
  4. 필요한 옵션을 입력합니다.
  5. 마지막으로, 페이지 하단의 calculate를 클릭하면 원하는 결과를 얻을 수 있습니다.

포아송 적합도 검정 도구 화면은 두 부분으로 나뉩니다.

Poisson Goodness Of Fit — figure 5

왼쪽 부분에는 데이터 창(Data Pane)이 있습니다. Data Pane에서는 각 행이 하나의 부분군이 됩니다. 데이터를 직접 입력하거나 Excel 시트에서 데이터 전체를 복사(Ctrl+C)하여 여기에 붙여넣을(Ctrl+V) 수 있습니다.

Load example: 예제 데이터가 로드됩니다.

Load File: Excel 데이터를 직접 로드하는 데 사용합니다.

오른쪽 부분에는 다음과 같은 여러 옵션이 있습니다.

  • Variable 검정하려는 계수 데이터 가 들어 있는 열을 선택합니다. 예를 들어 단위당 결점 수, 문서당 오류 수, 검사 기간당 기계별 고장 수 등입니다. 이 열의 각 값은 정해진 기회 또는 시간 구간 안에서 사건이 몇 번 발생했는지를 나타내는 개수입니다. 이는 데이터가 포아송 분포를 따르는지 평가하는 데 검정이 사용하는 주된 입력입니다. 이 항목은 필수입니다.
  • Frequency Variable 다음이 들어 있는 열을 선택합니다: 각 계수 값의 도수 (즉, 데이터 집합에서 각 계수가 몇 번 나타났는지). 이 항목은 선택 사항이며, 데이터가 개별 관측값으로 나열되어 있지 않고 이미 도수표로 요약되어 있을 때 사용합니다.
  • 예를 들어 데이터에서 결점 0개가 15번, 결점 1개가 22번, 결점 2개가 8번 나타났다면, Variable 열에 계수 값(0, 1, 2)을 입력하고 Frequency Variable 열에 해당 도수(15, 22, 8)를 입력합니다. 데이터가 한 행에 관측값 하나씩인 원시 형태라면 이 항목은 비워 둡니다.
  • Bar Chart of Observed and Expected Values 활성화하면 실제 관측 개수와 포아송 분포에서 기대되는 개수를 비교하는 막대 그래프를 나란히 표시합니다. 가장 유익한 시각적 출력으로, 관측 데이터의 모양이 이론적인 포아송 곡선과 일치하는지 아니면 유의하게 벗어나는지, 그리고 어느 방향(기대보다 더 퍼짐, 더 집중됨, 또는 다르게 치우침)으로 벗어나는지를 즉시 보여 줍니다.
  • Bar Chart of Each Category Contribution to the Chi-Square Value 활성화하면 각 계수 값이 전체 카이제곱 검정 통계량에 기여하는 정도를 보여 주는 막대 그래프를 표시합니다. 가장 높은 막대는 포아송 기대에서 가장 크게 벗어나는 계수 값을 나타내며, 전체 적합이 나쁘다는 것만 아는 데서 그치지 않고 분포가 정확히 어디에서 어긋나는지 파악하는 데 도움이 됩니다. 과대산포, 과소산포 또는 특정한 비정상 계수 중 무엇이 결과를 좌우하는지 진단하는 데 특히 유용합니다.
  • Display Bars from Largest to Smallest 활성화하면 기여도 그래프의 막대를 가장 큰 기여 항목부터 가장 작은 항목까지 내림차순 으로 정렬합니다. 계수 순서대로 막대를 읽는 대신 가장 유의한 편차에 먼저 주목할 수 있어, 포아송 분포에서 벗어나는 데 가장 큰 책임이 있는 계수 값을 즉시 식별하기가 쉬워집니다.
  • Display Test Results 활성화하면 카이제곱 통계량, 자유도, 추정된 포아송 평균(람다), p-값 을 포함한 전체 통계 검정 출력을 그래프 옆에 바로 표시합니다. 시각적 결과와 수치 결과를 한곳에서 함께 볼 수 있으므로 별도의 출력 패널을 오가지 않고도 전체 결론을 해석하기가 쉬워집니다.

자주 묻는 질문

포아송 적합도 검정이란 무엇입니까?

포아송 적합도 검정은 계수 데이터가 포아송 분포를 따르는지 판단합니다. 포아송 분포는 일정한 시간, 면적, 부피 또는 기회 구간 안에서 드문 사건이 얼마나 자주 발생하는지를 설명합니다. 적합이 좋으면 단위당 결점 수나 월별 고장 수처럼 사건이 일정한 평균 비율로 무작위로, 그리고 독립적으로 발생한다는 결론이 뒷받침됩니다.

포아송 적합도 검정은 언제 사용해야 합니까?

데이터가 측정값이 아닌 사건의 개수이고, C 관리도, U 관리도 또는 포아송 회귀를 적용하기 전에 포아송 가정을 검증하려는 경우에 사용합니다. 과대산포를 진단하는 데에도 사용합니다. 데이터가 포아송 적합에 분명히 실패하면 분산이 평균을 초과하며, 이는 표준 C 관리도나 U 관리도가 놓치는 추가적인 변동 원인이 있음을 시사합니다.

포아송 적합도 검정의 p-값은 어떻게 해석합니까?

0.05보다 작은 p-값은 데이터가 포아송 분포에 맞지 않음을 나타내므로 과대산포, 군집, 변화하는 비율 중 어느 것이 원인인지 조사하십시오. 출력에는 카이제곱 통계량, 자유도, 추정된 포아송 평균(람다), p-값이 보고되며, 범주별 카이제곱 기여도 그래프는 어떤 계수 값이 포아송 기대에서 가장 크게 벗어나는지 보여 줍니다.

계수 데이터가 포아송 분포에 맞지 않으면 어떻게 해야 합니까?

과대산포 때문에 데이터가 포아송 적합에 실패하면 음이항 분포나 Laney U' 또는 Laney P' 관리도를 고려하십시오. 사건이 드물지 않다면 이항분포 검정을 고려하십시오. 또한 신뢰할 수 있는 검정을 위해 각 계수 범주의 기대 도수가 1~5 이상인지 확인하고, 필요하면 계수가 낮은 범주를 합치십시오.