K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

Q-Q プロットで正規性をチェック

中級

06.2.8

Q-Q プロットで正規性をチェック

最終更新 2020-05-06 読了時間 1 分
まとめ
Q-Q プロットは、データを小さい順に並べた \(i\) 番目の値(標本分位点)を縦軸に、「正規分布なら \(i\) 番目に来るはずの値」(理論分位点)を横軸に取って点を打ち、点が 1 本の直線に乗るかで分布の形を判定する図です。scipy.stats.probplot(data, dist="norm", plot=ax) の 1 行で 500 点と当てはめ直線が描かれ、点が直線に乗れば正規分布に近く、両端が直線から上下に曲がれば裾が重いか軽いと読めます。ヒストグラムで「だいたい釣鐘型」と見るより、裾のずれを点の曲がりとして拡大して見せるのが強みです。読み終えると、右端が上に跳ねる形を「右の裾が重い」、S 字を「裾が軽い」と読み分け、dist を変えて正規分布以外との当てはまりも確かめられるようになります。

直感 #

500 人の身長が正規分布に従うかを知りたいとします。ヒストグラムを描けば釣鐘型かどうかは見えますが、「裾が少し重い」程度のずれは棒の高さ 1〜2 本分の違いにしか見えません。Q-Q プロットは別の手を使います。500 個の値を小さい順に並べ、「正規分布から 500 個取ったとき、いちばん小さい値はおよそ −2.9、2 番目は −2.5、…」という理論上の順位の値と 1 対 1 でペアにして点を打ちます。データが本当に正規分布なら 500 点は 1 本の直線に並び、右の裾に極端な値が多ければ右端の点が直線から上に浮きます。両端の数点にずれが集中するので、ヒストグラムでは見えなかった裾の違いが拡大されて見えます。

Python で描く #

次のコードは平均 0・標準偏差 1 の正規乱数を 500 個作り、stats.probplot で正規分布の理論分位点と並べた Q-Q プロットを描きます。答えが「正規分布」と分かっているデータなので、点が直線に乗る基準の形を確認できます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

data = np.random.normal(loc=0, scale=1, size=500)

fig, ax = plt.subplots(figsize=(5, 5))
stats.probplot(data, dist="norm", plot=ax)

ax.set_title("Q-Q プロット(正規分布との比較)")
ax.grid(alpha=0.2)

fig.tight_layout()

plt.show()

直線から大きく外れるほど正規性から逸脱していますの図

実行結果の読み方 #

500 点が赤い直線にほぼ乗っていれば、データは正規分布に近いと判断します。両端の数点だけが上下に揺れるのは 500 個の乱数でも起こる自然な揺らぎです。実データでこの図を描いたとき、右端の点が直線より上に跳ね上がれば「右の裾が重い(大きな値が正規分布より多い)」、両端が内側に曲がった S 字なら「裾が軽い」、全体が弓形なら「分布が歪んでいる」と読みます。

使いどころと落とし穴 #

Q-Q プロットが向くのは、t 検定や線形回帰の残差のように正規性を前提にする手法を使う前の確認と、ヒストグラムでは見分けにくい裾の重さの判定です。落とし穴は 2 つあります。第一に、サンプルが 30 個未満だと偶然のばらつきで両端の点が直線から外れやすく、正規性の判断を誤ります。目安として n = 30 以上で使い、少ないときは Shapiro–Wilk 検定(stats.shapiro)の p 値を併記します。第二に、dist="norm" のまま指数分布に従う待ち時間データを描くと、必ず強く曲がった図になります。これは「データがおかしい」のではなく比較対象の選択ミスなので、dist="expon" などデータの性質に合う分布に変えて描き直します。累積の割合そのものを読みたいときは ECDF のほうが直接的です。