执行正态性检验

选择统计 > 基本统计 > 正态性检验。检验结果指示是应当否定原假设还是无法否定原假设(即,数据来自正态分布的总体)。可以在同一个分析中执行正态性检验和生成正态概率图。正态性检验和概率图通常是用来判断正态性的最佳工具。

正态性检验的类型

下面是可用来评估正态性的正态性检验的类型。

Anderson-Darling 检验
此检验将样本数据的 ECDF(经验累积分布函数)与数据为正态时所预期的分布进行比较。如果观测到的差值足够大,则将否定总体正态性的原假设。
Ryan-Joiner 正态性检验
此检验通过计算数据和数据的正态评分之间的相关性来评估正态性。如果相关系数接近 1,则总体可能是正态的。Ryan-Joiner 统计量评估此相关的强度;如果它小于相应的临界值,则将否定总体正态性的原假设。此检验与 Shapiro-Wilk 正态性检验相似。
Kolmogorov-Smirnov 正态性检验
此检验将样本数据的 ECDF(经验累积分布函数)与数据为正态时所预期的分布进行比较。如果观测到的差值足够大,检验将否定总体正态性的原假设。如果此检验的 p 值小于所选择的 α,则可以否定原假设并得出总体是非正态的结论。

Anderson-Darling、Kolmogorov-Smirnov 和 Ryan-Joiner 正态性检验的比较

Anderson-Darling 和 Kolmogorov-Smirnov 检验基于经验分布函数。Ryan-Joiner(与 Shapiro-Wilk 类似)基于回归和相关。

所有这三个检验都会在分布偏斜时将分布很好地标识为非正态。当基础分布是 t 分布且非正态性源自峰度时,所有三个检验的区别不大。一般来说,在基于经验分布函数的检验之间,Anderson-Darling 在检测分布尾部的偏离方面更有效。通常,如果在尾部偏离正态性是大问题,许多统计人员将使用 Anderson-Darling 作为第一选择。

注意

如果要检查正态性以便为正态能力分析做准备,则尾部是分布的最关键部分。

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策