正态性检验
正态性检验用于评估数据集是否服从正态(钟形曲线)分布。许多统计方法——包括 t 检验、ANOVA、回归和控制图——都假定数据服从正态分布。
最后审阅
核心要点
正态性检验用于评估数据集是否服从正态(钟形曲线)分布。
什么是正态性检验?
正态性检验用于评估数据集是否服从正态(钟形曲线)分布。许多统计方法——包括 t 检验、ANOVA、回归和控制图——都假定数据服从正态分布。先进行正态性检验,可确认该假设是否成立,从而确保后续分析的结果准确可信。
可用的方法有多种,包括 Anderson-Darling、Ryan-Joiner 和 Kolmogorov-Smirnov。各方法采用不同的数学途径,但都会给出 p 值,用以表明是否存在反对正态性的显著证据。
简单定义:一项检查,告诉您数据是否呈正态钟形曲线形状——许多统计检验要想给出有效结果,都要求满足这一点。
何时使用正态性检验?
- 在 运行 t 检验、ANOVA、回归或能力分析之前 使用,以确认正态性假设是否满足。
- 在 选择合适的控制图或能力分析方法时 使用——非正态数据需要不同的图表类型或变换。
- 在 验证新数据集或新过程 且分布形状未知时使用。
- 在决定是否在进一步分析之前 应用变换(例如 Box-Cox 或 Johnson)时使用。
正确使用正态性检验的指南
- 进行正态性检验之前,至少收集 20 个数据点 ——样本量过小时检验功效不足,无法可靠地检测出非正态性。
- 使用 Anderson-Darling 检验作为默认方法 ——它是最被广泛接受的方法,并对分布的尾部赋予更大权重,而非正态性通常正是在尾部显现。
- 若 p 值大于 0.05,则表示没有足够证据拒绝正态性——数据与正态分布一致。
- 若 p 值小于 0.05,则表示数据显著偏离正态性——可考虑变换或使用非参数方法。
- 务必 结合 p 值查看概率图 ——直观检查能揭示偏离正态性的性质和严重程度。
- 对于大样本(n > 100),检验会变得 对轻微的、实际上无意义的偏离非常敏感 ——务必将 p 值与直观评估结合起来。
替代方法:何时不宜使用正态性检验
- 若已知数据为 非正态,请跳过正态性检验,直接进行 单值分布识别,以找出拟合最佳的分布。
- 若样本量 非常小(少于 10),正态性检验的检验功效很低——请考虑先收集更多数据再得出结论。
- 若处理的是 计数型数据(计数或比率),则不适用正态性检验——这类数据服从二项分布或泊松分布。
正态性检验示例
这是来自二项分布的一个随机数据样本。我们对这些数据进行 Anderson-Darling 正态性检验。检验步骤如下:
- 收集所需数据。

- 现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。
- 要找到正态性检验,请选择 Statistical module> Hypothesis Test> Normality test.
- 在工具中,输入数据及其他输入项如下:

5. 使用上述工具后,得到的输出如下:

如何进行正态性检验
操作步骤如下:
- 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
- 在首页选择 Statistical Tool> Hypothesis Test >Normality test .
- 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。
- 填写所需的选项。
- 最后,点击页面底部的 calculate,即可得到所需结果。
在正态性检验的工具界面中,窗口分为两部分。

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:
- Responses 选择包含待检验正态性的连续型数据的列。若想同时检验多个变量,请使用 Ctrl 或 Command + 点击选择多列。每个所选列都被独立检验并绘图——工具会为每个所选变量分别生成概率图和检验结果。
- Tests for Normality 选择用于评估数据是否服从正态分布的统计方法。共有三个选项——各方法采用不同的数学途径,但都会给出 p 值和概率图:
- Anderson-Darling ——应用最广泛、也是推荐的默认方法。它对分布的尾部赋予更大权重,因而对出现在数据两端的偏离更敏感。最适合大多数行业和应用中的通用正态性检验。
- Ryan-Joiner ——方法上与 Shapiro-Wilk 检验相似,它衡量数据点在正态概率图上与直线的贴合程度。当需要基于相关性的正态性评估时,这是一个不错的替代方法。请注意,该方法是 Shapiro-Wilk 的近似。
- Shapiro-Wilk ——被广泛认为是检验功效最高的正态性检验之一,尤其适用于 小样本(少于 50 个观测值)。它计算衡量数据与正态分布拟合程度的 W 统计量,在样本量较小且精度要求高时是首选。
- Title 可输入自定义标题,显示在概率图输出的顶部。这有助于用变量名称、产品、研究编号或日期标注图表,使结果在报告或文档中更易于识别和展示。
- Download as Excel 将正态性检验结果(包括检验统计量、p 值和汇总统计量)导出为 Excel 文件,用于报告、与同事共享或保留分析的正式记录。
常见问题
什么是正态性检验?
正态性检验用于评估数据集是否服从正态(钟形曲线)分布。许多方法,包括 t 检验、ANOVA、回归和控制图,都假定数据服从正态分布,因此先进行正态性检验可确认该假设是否成立。可用的方法包括 Anderson-Darling、Ryan-Joiner 和 Shapiro-Wilk,每种方法都给出 p 值。
如何解读正态性检验的 p 值?
p 值大于 0.05 表示没有足够证据拒绝正态性,因此数据与正态分布一致。p 值小于 0.05 表示数据显著偏离正态性;可考虑变换或使用非参数方法。务必结合 p 值查看概率图。
应使用哪种正态性检验?
推荐默认使用 Anderson-Darling;它对尾部赋予更大权重,而非正态性通常在尾部显现。Shapiro-Wilk 被认为是适用于少于 50 个观测值的小样本的检验功效最高的检验之一。Ryan-Joiner 是基于相关性的 Shapiro-Wilk 近似,衡量数据点在正态概率图上与直线的贴合程度。
正态性检验需要多少个数据点?
至少收集 20 个数据点,因为样本量过小时检验功效不足,无法检测出非正态性;少于 10 个时检验功效很低。对于大于 100 的大样本,检验会对轻微的、实际上无意义的偏离非常敏感,因此应将 p 值与对概率图的直观评估结合起来。
