泊松拟合优度检验

泊松拟合优度检验用于判断计数数据是否服从泊松分布——该分布描述稀有事件在固定的时间、面积、体积或机会区间内发生的次数。若数据与泊松分布拟合良好,则可确认事件以恒定的平均速率随机且独立地发生。

最后审阅

核心要点

泊松拟合优度检验用于判断计数数据是否服从泊松分布,该分布描述稀有事件在固定的时间、面积、体积或机会区间内发生的次数。

本页内容
  1. 什么是泊松拟合优度检验?
  2. 何时使用泊松拟合优度检验?
  3. 正确使用泊松拟合优度检验的指南
  4. 替代方法:何时不宜使用泊松拟合优度检验
  5. 泊松拟合优度检验示例
  6. 如何进行泊松拟合优度检验

什么是泊松拟合优度检验?

泊松拟合优度检验用于判断计数数据是否服从泊松分布——该分布描述稀有事件在固定的时间、面积、体积或机会区间内发生的次数。若数据与泊松分布拟合良好,则可确认事件以恒定的平均速率随机且独立地发生。

常见应用包括检验每个单位的缺陷数、每小时的顾客到达数或每月的设备故障数是否服从泊松模型——这是统计过程控制中 C 控制图和 U 控制图的基础。

简单定义:一项检验,用于检查计数数据是否与泊松分布拟合——确认稀有事件是否以稳定的平均速率随机且独立地发生。

何时使用泊松拟合优度检验?

  • 当数据由 事件计数(而非测量值)构成时使用——例如每个单位的缺陷数、每份文件的错误数或每台机器每月的故障数。
  • 在应用 C 控制图、U 控制图或泊松回归之前,需要 验证泊松过程的假设 时使用。
  • 当事件 相对于机会总数而言是稀有的 时使用——当单个事件的概率很低但机会数很大时,适用泊松分布。
  • 用于 诊断过度离散 ——若数据显著不符合泊松拟合,则方差超过均值,表明存在标准 C 控制图或 U 控制图无法发现的额外变异来源。

正确使用泊松拟合优度检验的指南

  • 事件必须 相互独立 ——一个事件的发生不得影响下一个事件发生的可能性。
  • 在所有观测期内,平均发生率必须恒定 ——若发生率随时间变化,则泊松模型不适用。
  • 确保每个计数类别的期望频数 至少为 1 至 5 ——必要时合并计数较低的类别,以得到可靠的检验。
  • 若 p 值低于 0.05,则表示数据不符合泊松分布——请调查是否由过度离散、聚集或发生率变化所致。

替代方法:何时不宜使用泊松拟合优度检验

  • 若计数数据 因过度离散而不符合泊松拟合,请使用 负二项分布 或 Laney U′ / Laney P′ 控制图
  • 若响应为 分类型而非计数,请使用 卡方拟合优度检验
  • 若响应为 连续型,请使用 正态性检验或单值分布识别
  • 若事件 并不稀有或事件发生率较高,泊松假设可能不成立——请考虑 二项分布检验

泊松拟合优度检验示例

一位质量工程师想知道每部手机的缺陷数是否服从泊松分布。工程师随机选取 300 部手机,并记录每部手机的缺陷数。检验步骤如下:

  1. 收集所需数据。
Poisson Goodness Of Fit — figure 1
  1.  现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。
  2.  要找到泊松拟合优度检验,请选择 Statistical module> Hypothesis Test> Poisson Goodness Of Fit.
  3.  在工具中,输入数据及其他输入项如下:
Poisson Goodness Of Fit — figure 2

5. 使用上述工具后,得到的输出如下:

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

如何进行泊松拟合优度检验

操作步骤如下:

  1. 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
  2. 在首页选择 Statistical Tool> Hypothesis Test >Poisson Goodness Of Fit .
  3. 接下来,手动更新数据,或从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
  4. 填写所需的选项。
  5. 最后,点击页面底部的 calculate,即可得到所需结果。

在泊松拟合优度检验的工具界面中,窗口分为两部分。

Poisson Goodness Of Fit — figure 5

左侧是数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可手动输入数据,也可从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。

Load example: 将载入示例数据。

Load File: 用于直接加载 Excel 数据。

右侧提供以下选项:

  • Variable 选择包含待检验的 计数数据 的列——例如每个单位的缺陷数、每份文件的错误数,或每台机器每个检验周期的故障数。该列中的每个值表示在规定的机会或时间区间内事件发生的次数。这是检验用来评估数据是否服从泊松分布的主要输入。此字段为必填。
  • Frequency Variable 选择包含 每个计数值的频数 的列——即每个具体计数在数据集中出现了多少次。此字段为可选,适用于数据已汇总为频数表,而非逐条列出单个观测值的情形。
  • 例如,若数据显示缺陷数为 0 的情况出现了 15 次,缺陷数为 1 的情况出现了 22 次,缺陷数为 2 的情况出现了 8 次——则应在 Variable 列中输入计数值(0、1、2),并在 Frequency Variable 列中输入相应的频数(15、22、8)。若数据为原始形式,每行一个观测值,请将此字段留空。
  • Bar Chart of Observed and Expected Values 启用后,显示并排条形图,比较 实际观测计数与泊松分布下的期望计数。这是信息量最丰富的可视化输出——它可立即显示观测数据的形状是否与理论泊松曲线吻合,或是否存在显著偏离,以及偏离的方向(比预期更分散、更集中,或偏斜方式不同)。
  • Bar Chart of Each Category Contribution to the Chi-Square Value 启用后,显示条形图,展示每个计数值 对总体卡方检验统计量的贡献有多大。最高的条形代表偏离泊松期望最大的计数值——帮助您准确找出分布在哪里失效,而不仅仅是知道整体拟合不佳。这对于诊断是过度离散、离散不足,还是某个特定的异常计数导致了该结果尤为有用。
  • Display Bars from Largest to Smallest 启用后,将贡献图中的条形按 降序 排列,从贡献最大的到最小的。这样可以立即看出哪些计数值对偏离泊松分布的影响最大——先关注最显著的偏离,而不是按计数顺序逐个阅读条形。
  • Display Test Results 启用后,直接在图表旁边显示完整的统计检验输出——包括 卡方统计量、自由度、估计的泊松均值(lambda)和 p 值。这使您可以在同一处同时查看可视化结果和数值结果,无需在不同的输出面板之间切换,更便于解读整体结论。

常见问题

什么是泊松拟合优度检验?

泊松拟合优度检验用于判断计数数据是否服从泊松分布,该分布描述稀有事件在固定的时间、面积、体积或机会区间内发生的频率。拟合良好支持以下结论:事件以恒定的平均速率随机且独立地发生,例如每个单位的缺陷数或每月的故障数。

何时应使用泊松拟合优度检验?

当数据是事件计数而非测量值,且希望在应用 C 控制图、U 控制图或泊松回归之前验证泊松假设时使用。它还可用于诊断过度离散:若数据明显不符合泊松拟合,则方差超过均值,表明存在标准 C 控制图或 U 控制图无法发现的额外变异来源。

如何解读泊松拟合优度检验的 p 值?

p 值低于 0.05 表示数据不符合泊松分布,因此请调查是否由过度离散、聚集或发生率变化所致。输出报告卡方统计量、自由度、估计的泊松均值(lambda)和 p 值,而各类别对卡方贡献的图表则显示哪些计数值偏离泊松期望最大。

如果计数数据不符合泊松分布,应该怎么办?

若数据因过度离散而不符合泊松拟合,请考虑负二项分布或 Laney U′ 或 Laney P′ 控制图。若事件并不稀有,请考虑二项分布检验。同时检查每个计数类别的期望频数是否至少为 1 至 5,必要时合并计数较低的类别,以得到可靠的检验。