Normal dağılım için makine öğrenmesi algoritmasına dayalı geliştirilen uyum iyiliği prosedürü

İstatistiksel analizlerin doğruluğu ve güvenilirliği açısından normallik varsayımının sağlanıp sağlanmadığının kontrol edilmesi oldukça önemlidir. İstatistiksel analizlerde kullanılan bir veri setinin normal dağılıma sahip olup olmadığı temel olarak iki farklı yöntemle belirlenir. Bunlar, grafiksel yöntemler ve normal dağılım için uyum iyiliği testleridir. Ancak bu yöntemler tek başına kullanıldığı zaman tüm durumlar için normalliği belirlemek konusunda birbiriyle çelişen sonuçlar verebilmektedir. Bu çalışmada literatürde var olan yöntemlere alternatif olarak makine öğrenmesi algoritmasına dayalı bir veri setinin normal dağılıma uygun olup olmadığını belirleyen bir prosedür geliştirilmiştir. Makine öğrenmesi algoritmasına dayalı olarak geliştirilen bu prosedürün I. Tip hata oranı ve gücü literatürde kabul görmüş ve yaygın olarak kullanılan normal dağılım için uyum iyiliği testleri ile simetrik ve asimetrik dağılımlar altında kapsamlı bir simülasyon çalışmasıyla karşılaştırılmıştır. Ayrıca geliştirilen prosedürün performansı doğruluk, kesinlik, duyarlılık ve F1 skoru kriterlerine göre de incelenmiştir. Yapılan kapsamlı karşılaştırmalar sonucunda, literatüre ilk kez sunulan normal dağılım için makine öğrenmesi algoritmasına dayalı uyum iyiliği prosüdürünün bu çalışmada ele alınan normallik testlerinden hemen hemen tüm durumlar için daha güçlü kararlar verdiği gözlemlenmiştir.