Een klein stukje achtergrond: Ik houd me bezig met het modelleren van het concentratie- en temperatuurafhankelijke gedrag van bepaalde chemische systemen. Dit gedrag kan met een aantal verschillende experimenten gemeten worden en die data kan ik fitten aan modellen die ik heb. Tot zover geen, of nauwelijks geen, problemen.
Op het oog is duidelijk te zien dat het ene model beter overeenkomt met de data dan de andere. Ik wil dit echter ook graag statistisch verantwoord onderbouwen, en van de paar lessen die ik (te) lang geleden gehad heb kan ik me iets herinneren van een chi-kwadraat test. De exacte details weet ik niet meer, maar heb ik het goed dat je met de chi-kwadraat test controleert of de residualen een normale verdeling hebben? Mijn tweede vraag: Als je 2 modellen wil vergelijken, dan neem je de beide chi-kwadraat waardes en vermenigvuldigt ze met de vrijheidsgraden, oftewel het aantal datapunten min het aantal parameters, klopt dat? Er was ook "iets" met een P-waarde, welke vergelijkingen horen daarbij?
Tot zover het theoretische deel. Nu wat praktische zaken
Als je in Origin de non-linear curve fitting module gebruikt, geeft Origin automatisch een chi-kwadraat waarde. Hoe wordt deze berekend, het lijkt me een relatief getal te zijn, onafhankelijk van de absolute waarde van de residualen, maar hoe wordt dit genormaliseerd? Kent iemand de gebruikte vergelijking en kan die geven? Ik houd er namelijk niet van om waardes te geven als ik niet begrijp hoe die waarde tot stand is gekomen
Matlab, waar ik alle curve-fitting en simulaties in doe, heeft een heel zwik aan statistische functies, die ongetwijfeld automatisch uitspugen wat ik graag wil zien, maar ik zie even door de bomen het bos niet meer...Kan iemand mij misschien vertellen welke ik precies moet hebben voor het doel wat ik voor ogen heb, dus na een curve fit de chi-kwadraat geven, en als ik 2 of meer waardes heb, afkomstig van verschillende fits, de P-waarde?
