정규성 검정(Normality Test)
정규성 검정은 데이터 집합이 정규(종 곡선) 분포를 따르는지 평가합니다. t 검정, ANOVA, 회귀분석, 관리도를 비롯한 많은 통계 방법은 데이터가 정규분포를 따른다고 가정합니다.
최종 검토
핵심 요점
정규성 검정은 데이터 집합이 정규(종 곡선) 분포를 따르는지 평가합니다.
정규성 검정이란?
정규성 검정은 데이터 집합이 정규(종 곡선) 분포를 따르는지 평가합니다. t 검정, ANOVA, 회귀분석, 관리도를 비롯한 많은 통계 방법은 데이터가 정규분포를 따른다고 가정합니다. 정규성 검정을 먼저 실행하면 그 가정이 타당한지 확인할 수 있으므로, 이후 분석 결과가 정확하고 신뢰할 수 있게 됩니다.
Anderson-Darling, Ryan-Joiner, Kolmogorov-Smirnov를 비롯한 여러 방법을 사용할 수 있습니다. 각 방법은 서로 다른 수학적 접근을 사용하지만, 모두 정규성에 반하는 유의한 증거가 있는지를 나타내는 p-값을 산출합니다.
간단한 정의: 데이터가 정규 종 곡선 모양을 따르는지 알려 주는 검사이며, 많은 통계 검정이 유효한 결과를 내기 위한 요건입니다.
정규성 검정은 언제 사용합니까?
- 정규성 가정이 충족되는지 확인하기 위해 t 검정, ANOVA, 회귀분석 또는 공정능력 분석을 실행하기 전에 사용합니다.
- 비정규 데이터는 다른 유형의 관리도나 변환이 필요하므로 적절한 관리도 또는 공정능력 방법을 선택할 때 사용합니다.
- 분포 모양을 알 수 없는 새로운 데이터 집합이나 공정을 검증할 때 사용합니다.
- 추가 분석 전에 변환(예: Box-Cox 또는 Johnson)을 적용할지 결정할 때 사용합니다.
정규성 검정의 올바른 사용 지침
- 정규성 검정을 실행하기 전에 데이터 점을 20개 이상 수집하십시오. 표본이 매우 작으면 비정규성을 신뢰성 있게 탐지할 검정력이 부족합니다.
- 기본으로 Anderson-Darling 검정 을 사용하십시오. 가장 널리 인정되는 방법이며, 비정규성이 보통 나타나는 분포의 꼬리에 더 큰 가중치를 둡니다.
- p-값이 0.05보다 크면 정규성을 기각할 증거가 불충분하다는 뜻이며, 데이터가 정규분포와 일치합니다.
- p-값이 0.05보다 작으면 데이터가 정규성에서 유의하게 벗어난다는 뜻이며, 변환이나 비모수 방법을 고려하십시오.
- 항상 p-값과 함께 확률도 를 검토하십시오. 시각적 확인으로 정규성에서 벗어난 정도와 성격을 알 수 있습니다.
- 표본 크기가 큰 경우(n > 100) 검정은 실질적으로 의미 없는 사소한 편차에도 매우 민감 해지므로, 항상 p-값과 시각적 평가를 함께 사용하십시오.
대안: 정규성 검정을 사용하지 않아야 할 때
- 데이터가 비정규임을 이미 알고 있다면 정규성 검정을 건너뛰고, 가장 잘 맞는 분포를 찾기 위해 바로 개별 분포 식별 으로 진행하십시오.
- 표본 크기가 매우 작으면(10개 미만)정규성 검정의 검정력이 매우 낮으므로, 결론을 내리기 전에 데이터를 더 수집하는 것을 고려하십시오.
- 작업 대상이 계수형 데이터(개수 또는 비율)인 경우 정규성 검정은 적용할 수 없습니다. 이러한 데이터 유형은 이항분포나 포아송 분포를 따릅니다.
정규성 검정 예제
다음은 이항분포에서 추출한 데이터의 무작위 표본입니다. 이 데이터에 Anderson-Darling 정규성 검정을 실행해 보겠습니다. 검정 단계는 다음과 같습니다.
- 필요한 데이터를 수집했습니다.

- 이제 Zometric Statistical Software에서 데이터를 분석합니다: https://statsai.zometric.com/.
- 정규성 검정을 찾으려면 다음을 선택합니다: Statistical module> Hypothesis Test> Normality test.
- 도구 안에서 데이터와 기타 입력값을 다음과 같이 입력합니다.

5. 위 도구를 사용하면 다음과 같은 출력을 얻습니다.

정규성 검정 방법
절차는 다음과 같습니다.
- Zometric Statistical Software에 로그인합니다: https://statsai.zometric.com/
- 홈 페이지에서 Statistical Tool> Hypothesis Test >Normality test를 선택합니다.
- 다음으로, 데이터를 직접 입력하거나 Excel 시트에서 데이터 전체를 복사(Ctrl+C)하여 붙여넣습니다(Ctrl+V).
- 필요한 옵션을 입력합니다.
- 마지막으로, 페이지 하단의 calculate를 클릭하면 원하는 결과를 얻을 수 있습니다.
정규성 검정 도구 화면은 두 부분으로 나뉩니다.

왼쪽 부분에는 데이터 창(Data Pane)이 있습니다. Data Pane에서는 각 행이 하나의 부분군이 됩니다. 데이터를 직접 입력하거나 Excel 시트에서 데이터 전체를 복사(Ctrl+C)하여 여기에 붙여넣을(Ctrl+V) 수 있습니다.
Load example: 예제 데이터가 로드됩니다.
Load File: Excel 데이터를 직접 로드하는 데 사용합니다.
오른쪽 부분에는 다음과 같은 여러 옵션이 있습니다.
- Responses 정규성을 검정할 연속형 데이터가 들어 있는 열을 선택합니다. 여러 변수를 한 번에 검정하려면 Ctrl 또는 Command를 누른 채 클릭하여 여러 열을 선택합니다. 선택한 각 열은 독립적으로 검정되고 그려지며, 도구는 선택한 변수마다 별도의 확률도와 결과를 생성합니다.
- Tests for Normality 데이터가 정규분포를 따르는지 평가하는 데 사용할 통계 방법을 선택합니다. 세 가지 옵션이 있으며, 각각 서로 다른 수학적 접근을 사용하지만 모두 p-값과 확률도를 산출합니다.
- Anderson-Darling — 가장 널리 사용되고 권장되는 기본값입니다. 분포의 꼬리에 더 큰 가중치를 두므로 데이터의 양 끝에서 나타나는 편차에 더 민감합니다. 대부분의 산업과 응용 분야에서 범용 정규성 검정에 가장 적합합니다.
- Ryan-Joiner — 접근 방식이 Shapiro-Wilk 검정과 비슷하며, 정규 확률도에서 데이터 점이 직선을 얼마나 가깝게 따르는지 측정합니다. 상관에 기반한 정규성 평가를 원할 때 좋은 대안입니다. 이 방법은 Shapiro-Wilk의 근사라는 점에 유의하십시오.
- Shapiro-Wilk — 특히 표본 크기가 작은 경우 (관측값 50개 미만) 가장 검정력이 높은 정규성 검정 중 하나로 널리 간주됩니다. 데이터가 정규분포에 얼마나 잘 맞는지 측정하는 W 통계량을 계산하며, 표본 크기가 작고 정밀도가 중요할 때 선호되는 선택입니다.
- Title 확률도 출력 상단에 표시될 사용자 지정 제목을 입력할 수 있습니다. 변수 이름, 제품, 연구 참조, 날짜 등으로 차트에 레이블을 붙이는 데 유용하며, 보고서나 문서에서 결과를 식별하고 제시하기가 쉬워집니다.
- Download as Excel 검정 통계량, p-값, 요약 통계량을 포함한 정규성 검정 결과를 Excel 파일로 내보내어 보고, 동료와의 공유, 분석의 공식 기록 보관에 사용합니다.
자주 묻는 질문
정규성 검정이란 무엇입니까?
정규성 검정은 데이터 집합이 정규(종 곡선) 분포를 따르는지 평가합니다. t 검정, ANOVA, 회귀분석, 관리도를 비롯한 많은 방법은 데이터가 정규분포를 따른다고 가정하므로, 정규성 검정을 먼저 실행하면 그 가정이 타당한지 확인할 수 있습니다. 사용할 수 있는 방법에는 Anderson-Darling, Ryan-Joiner, Shapiro-Wilk가 있으며 각각 p-값을 산출합니다.
정규성 검정의 p-값은 어떻게 해석합니까?
0.05보다 큰 p-값은 정규성을 기각할 증거가 불충분하다는 뜻이므로 데이터가 정규분포와 일치합니다. 0.05보다 작은 p-값은 데이터가 정규성에서 유의하게 벗어난다는 뜻이며, 변환이나 비모수 방법을 고려하십시오. 항상 p-값과 함께 확률도를 검토하십시오.
어떤 정규성 검정을 사용해야 합니까?
Anderson-Darling이 권장되는 기본값이며, 비정규성이 보통 나타나는 꼬리에 더 큰 가중치를 둡니다. Shapiro-Wilk는 관측값 50개 미만의 작은 표본에서 가장 검정력이 높은 검정 중 하나로 간주됩니다. Ryan-Joiner는 정규 확률도에서 점이 직선을 얼마나 가깝게 따르는지 측정하는, Shapiro-Wilk의 상관 기반 근사입니다.
정규성 검정에는 데이터 점이 몇 개 필요합니까?
표본이 매우 작으면 비정규성을 탐지할 검정력이 부족하므로 데이터 점을 20개 이상 수집하십시오. 10개 미만이면 검정력이 매우 낮습니다. 표본이 100보다 큰 경우 검정은 실질적으로 의미 없는 사소한 편차에도 매우 민감해지므로, p-값과 확률도의 시각적 평가를 함께 사용하십시오.
