Poisson-aanpassingstoets

Een Poisson-aanpassingstoets (goodness of fit) bepaalt of telgegevens een Poisson-verdeling volgen, een verdeling die beschrijft hoe vaak een zeldzame gebeurtenis voorkomt binnen een vast interval van tijd, oppervlakte, volume of gelegenheden. Als de gegevens goed bij de Poisson-verdeling passen, bevestigt dat dat gebeurtenissen willekeurig en onafhankelijk met een constante gemiddelde frequentie optreden.

Laatst beoordeeld

Belangrijkste conclusie

Een Poisson-aanpassingstoets (goodness of fit) bepaalt of telgegevens een Poisson-verdeling volgen, die beschrijft hoe vaak een zeldzame gebeurtenis voorkomt binnen een vast interval van tijd, oppervlakte, volume of gelegenheden.

Op deze pagina
  1. Wat is een Poisson-aanpassingstoets?
  2. Wanneer gebruikt u een Poisson-aanpassingstoets?
  3. Richtlijnen voor correct gebruik van een Poisson-aanpassingstoets
  4. Alternatieven: wanneer u geen Poisson-aanpassingstoets gebruikt
  5. Voorbeeld van een Poisson-aanpassingstoets
  6. Zo voert u een Poisson-aanpassingstoets uit

Wat is een Poisson-aanpassingstoets?

Een Poisson-aanpassingstoets (goodness of fit) bepaalt of telgegevens een Poisson-verdeling volgen, een verdeling die beschrijft hoe vaak een zeldzame gebeurtenis voorkomt binnen een vast interval van tijd, oppervlakte, volume of gelegenheden. Als de gegevens goed bij de Poisson-verdeling passen, bevestigt dat dat gebeurtenissen willekeurig en onafhankelijk met een constante gemiddelde frequentie optreden.

Veelvoorkomende toepassingen zijn het toetsen of het aantal defecten per eenheid, klantaankomsten per uur of apparatuurstoringen per maand het Poisson-model volgen, dat de basis vormt voor C-kaarten en U-kaarten in statistische procesbeheersing.

Eenvoudige definities: Een toets die controleert of uw telgegevens bij de Poisson-verdeling passen, en zo bevestigt dat zeldzame gebeurtenissen willekeurig en onafhankelijk met een constante gemiddelde frequentie optreden.

Wanneer gebruikt u een Poisson-aanpassingstoets?

  • Gebruik hem wanneer uw gegevens bestaan uit aantallen gebeurtenissen (geen metingen), zoals defecten per eenheid, fouten per document of storingen per machine per maand.
  • Gebruik hem wanneer u de aanname van een Poisson-proces wilt valideren voordat u C-kaarten, U-kaarten of Poisson-regressie toepast.
  • Gebruik hem wanneer gebeurtenissen zeldzaam zijn ten opzichte van het aantal gelegenheden : de Poisson-verdeling is geschikt wanneer de kans op één gebeurtenis laag is maar het aantal gelegenheden groot.
  • Gebruik hem om overdispersie vast te stellen : als de gegevens de Poisson-fit duidelijk niet doorstaan, is de variantie groter dan het gemiddelde, wat wijst op extra bronnen van variatie die een standaard C-kaart of U-kaart zou missen.

Richtlijnen voor correct gebruik van een Poisson-aanpassingstoets

  • Gebeurtenissen moeten onafhankelijk zijn: het optreden van de ene gebeurtenis mag de kans op de volgende niet beïnvloeden.
  • De gemiddelde optredensfrequentie moet constant zijn over alle waarnemingsperioden: als de frequentie in de tijd verandert, is het Poisson-model niet geschikt.
  • Zorg dat de verwachte frequenties in elke telcategorie minimaal 1 tot 5 zijn: voeg categorieën met lage aantallen zo nodig samen voor een betrouwbare toets.
  • Een p-waarde onder 0.05 wijst erop dat de gegevens niet bij de Poisson-verdeling passen: onderzoek of overdispersie, clustering of wisselende frequenties de oorzaak zijn.

Alternatieven: wanneer u geen Poisson-aanpassingstoets gebruikt

  • Als telgegevens de Poisson-fit niet doorstaan door overdispersie, gebruik dan de negatief-binomiale verdeling of Laney U’- / Laney P’-kaarten
  • Als de respons categorisch is in plaats van een aantal, gebruik dan de Chi-kwadraat aanpassingstoets
  • Als de respons continuis, gebruik dan de Normaliteitstoets of Identificatie van individuele verdeling
  • Als gebeurtenissen niet zeldzaam zijn of de frequentie van gebeurtenissen hoog is, gaat de Poisson-aanname mogelijk niet op: overweeg toetsing van de binomiale verdeling

Voorbeeld van een Poisson-aanpassingstoets

Een kwaliteitsingenieur wil weten of de defecten per mobiele telefoon uit een Poisson-verdeling komen. De ingenieur selecteert aselect 300 telefoons en registreert het aantal defecten per telefoon. De toets in de volgende stappen:

  1. De benodigde gegevens verzameld.
Poisson Goodness Of Fit — figure 1
  1.  Analyseer de gegevens nu in Zometric Statistical Software op https://statsai.zometric.com/.
  2.  Kies voor de Poisson-aanpassingstoets Statistical module> Hypothesis Test> Poisson Goodness Of Fit.
  3.  Voer in de tool de gegevens samen met de andere invoer als volgt in:
Poisson Goodness Of Fit — figure 2

5. Na gebruik van bovenstaande tool wordt de uitvoer als volgt weergegeven:

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

Zo voert u een Poisson-aanpassingstoets uit

De handleiding is als volgt:

  1. Log in bij Zometric Statistical Software op https://statsai.zometric.com/
  2. Kies op de startpagina Statistical Tool> Hypothesis Test >Poisson Goodness Of Fit .
  3. Werk vervolgens de gegevens handmatig bij, of kopieer (Ctrl+C) de gegevens volledig uit een Excel-blad en plak (Ctrl+V) ze hier.
  4. Vul de vereiste opties in.
  5. Klik ten slotte onderaan de pagina op Calculate en u krijgt de gewenste resultaten.

Op het dashboard van de Poisson-aanpassingstoets is het venster in twee delen verdeeld.

Poisson Goodness Of Fit — figure 5

Links bevindt zich de Data Pane. In de Data Pane vormt elke rij één subgroep. De gegevens kunnen handmatig worden ingevoerd, of u kunt ze volledig uit een Excel-blad kopiëren (Ctrl+C) en hier plakken (Ctrl+V).

Load example: Voorbeeldgegevens worden geladen.

Load File: Hiermee laadt u de Excel-gegevens rechtstreeks.

Rechts staan veel opties, als volgt:

  • Variable Selecteer de kolom met de telgegevens die u wilt toetsen, bijvoorbeeld het aantal defecten per eenheid, fouten per document of storingen per machine per inspectieperiode. Elke waarde in deze kolom is het aantal keren dat een gebeurtenis zich binnen een gedefinieerde gelegenheid of tijdsinterval voordeed. Dit is de belangrijkste invoer waarmee de toets beoordeelt of de gegevens een Poisson-verdeling volgen. Dit veld is verplicht.
  • Frequency Variable Selecteer de kolom met de frequentie van elke telwaarde , dat wil zeggen hoe vaak elke specifieke telwaarde in de dataset voorkwam. Dit veld is optioneel en wordt gebruikt wanneer uw gegevens al zijn samengevat in een frequentietabel in plaats van als individuele waarnemingen te zijn vermeld.
  • Als uw gegevens bijvoorbeeld laten zien dat een telwaarde van 0 defecten 15 keer voorkwam, een telwaarde van 1 defect 22 keer en een telwaarde van 2 defecten 8 keer, voert u de telwaarden (0, 1, 2) in de kolom Variable in en de bijbehorende frequenties (15, 22, 8) in de kolom Frequency Variable. Als uw gegevens in ruwe vorm staan, met één waarneming per rij, laat u dit veld leeg.
  • Bar Chart of Observed and Expected Values Wanneer ingeschakeld, wordt een staafdiagram naast elkaar getoond dat de werkelijk waargenomen aantallen vergelijkt met de aantallen die onder een Poisson-verdeling worden verwacht. Dit is de meest informatieve visuele uitvoer: ze laat meteen zien of de vorm van uw waargenomen gegevens overeenkomt met de theoretische Poisson-curve of er significant van afwijkt, en in welke richting (meer gespreid, meer geconcentreerd of anders scheef dan verwacht).
  • Bar Chart of Each Category Contribution to the Chi-Square Value Wanneer ingeschakeld, wordt een staafdiagram getoond dat laat zien hoeveel elke afzonderlijke telwaarde bijdraagt aan de totale chi-kwadraat-toetsingsgrootheid. De hoogste staven vertegenwoordigen de telwaarden die het meest afwijken van de Poisson-verwachting. Zo ziet u precies waar de verdeling afwijkt, in plaats van alleen te weten dat de totale aanpassing slecht is. Dit is vooral nuttig om vast te stellen of overdispersie, onderdispersie of een specifieke ongewone telwaarde het resultaat bepaalt.
  • Display Bars from Largest to Smallest Wanneer ingeschakeld, worden de staven in het bijdragediagram in aflopende volgorde gesorteerd, van de grootste bijdrage naar de kleinste. Zo ziet u direct welke telwaarden het meest verantwoordelijk zijn voor een afwijking van de Poisson-verdeling: de aandacht gaat eerst naar de belangrijkste afwijkingen in plaats van de staven in oplopende telvolgorde te lezen.
  • Display Test Results Wanneer ingeschakeld, wordt de volledige statistische toetsuitvoer getoond, waaronder de chi-kwadraat-toetsingsgrootheid, de vrijheidsgraden, het geschatte Poisson-gemiddelde (lambda) en de p-waarde , direct naast de grafiek. Zo ziet u de visuele en numerieke resultaten samen op één plek en is de algemene conclusie gemakkelijker te interpreteren zonder te wisselen tussen afzonderlijke uitvoerpanelen.

Veelgestelde vragen

Wat is een Poisson-aanpassingstoets?

Een Poisson-aanpassingstoets (goodness of fit) bepaalt of telgegevens een Poisson-verdeling volgen, die beschrijft hoe vaak een zeldzame gebeurtenis voorkomt binnen een vast interval van tijd, oppervlakte, volume of gelegenheden. Een goede aanpassing ondersteunt de conclusie dat gebeurtenissen willekeurig en onafhankelijk met een constante gemiddelde frequentie optreden, zoals defecten per eenheid of storingen per maand.

Wanneer gebruikt u een Poisson-aanpassingstoets?

Gebruik hem wanneer de gegevens aantallen gebeurtenissen zijn in plaats van metingen en u de Poisson-aanname wilt valideren voordat u C-kaarten, U-kaarten of Poisson-regressie toepast. Hij wordt ook gebruikt om overdispersie vast te stellen: als de gegevens de Poisson-fit duidelijk niet doorstaan, is de variantie groter dan het gemiddelde, wat wijst op extra bronnen van variatie die een standaard C-kaart of U-kaart zou missen.

Hoe interpreteert u de p-waarde van de Poisson-aanpassingstoets?

Een p-waarde onder 0.05 wijst erop dat de gegevens niet bij de Poisson-verdeling passen, dus onderzoek of overdispersie, clustering of wisselende frequenties de oorzaak zijn. De uitvoer toont de chi-kwadraat-toetsingsgrootheid, de vrijheidsgraden, het geschatte Poisson-gemiddelde (lambda) en de p-waarde, en het diagram met de bijdrage van elke categorie aan chi-kwadraat laat zien welke telwaarden het meest van de Poisson-verwachting afwijken.

Wat doet u als telgegevens niet bij een Poisson-verdeling passen?

Als de gegevens de Poisson-fit niet doorstaan door overdispersie, overweeg dan een negatief-binomiale verdeling of Laney U’- of Laney P’-kaarten. Als gebeurtenissen niet zeldzaam zijn, overweeg dan toetsing van de binomiale verdeling. Controleer ook of de verwachte frequenties in elke telcategorie minimaal 1 tot 5 zijn, en voeg categorieën met lage aantallen zo nodig samen voor een betrouwbare toets.