SPSS数据分析之正态分布检验

在SPSS中，不同的数据类型、不同的数据分布状况所选用的分析方法是截然不同的。因此我们在拿到一组数据在做分析之前，第一步是要判断数据的类型。判断数据是类别变量还是连续变量。第二是检验数据服从什么样的分布（对连续型变量来说）。

当我们应用统计方法对数据进行分析时，会发现许多计量资料的分析方法，例如常用的T检验、方差分析、相关分析以及线性回归等等，都要求数据服从正态分布或者近似正态分布。下面我们就对数据是否服从正态分布的检验方法进行介绍：

1、描述法（用偏度与峰度检验）

• 偏度：描述某变量分布形态的偏斜程度和方向的统计量
  • 当偏度≈0时，可认为分布是对称的，服从正态分布；
  • 当偏度>0时，分布为右偏，即拖尾在右边，峰尖在左边，也称为正偏态；
  • 当偏度
  • 注意：数据分布的左偏或右偏，指的是数值拖尾的方向，而不是峰的位置。
• 峰度：描述某变量所有变量值分布形态陡峭程度的统计量
  • 当峰度≈0时，可认为分布的峰态合适，服从正态分布（不胖不瘦）；
  • 当峰度>0时，分布的峰态陡峭（高尖）；
  • 当峰度
• 利用偏度和峰度进行正态性检验时，可以同时计算其相应的Z评分（Z-score），即：偏度Z-score=偏度值/标准误，峰度Z-score=峰度值/标准误。在α=0.05的检验水平下，若Z-score在±1.96之间，则可认为资料服从正态分布。
• 操作方法：分析—描述统计—描述—将要检验的变量选择到变量中—右上角点选项，选择峰度和偏度—点击继续和确定。

• 结果解读：结果中会给出峰度与偏度值，并给出各自对应的标准误。用公式计算出偏度Z-score和峰度Z-score。若两个Z-score同时在±1.96之间，则可认为资料服从正态分布。
• 该方法最好适用于样本量小于100的数据

2、图形检验

• 使用直方图表示连续性变量的频数分布，可以用来考察分布是否服从正态分布。
• 操作方法：分析—描述统计—频率—选择需要检验的变量—图表一栏中选择直方图，在直方图中显示正态曲线。
• 结果解读：符合正态分布的直方图的顶端曲线相连后是一条呈钟形的曲线，直方图的左右越均衡，其正态性越强。

3、非参数检验（K-S检验）

正态性检验属于非参数检验,原假设为“样本来自的总体与正态分布无显著性差异,即符合正态分布”,也就是说P>0.05才能说明资料符合正态分布。

操作方法：分析—非参数检验—旧对话框—单样本—将需要检验的变量放到检验变量的对话框—检验分布中选择“正态”，有的版本是“常规”。

        在这个案例中，原假设H0是：情绪智力总分、社会学习适应和社会生活适应的分布服从正态分布。

        基于这一假设，算出来的“情绪智力总分服从正态分布”这一假设出现的概率是0.188>显著性水平0.05。因此不拒绝原假设，认为“情绪智力总分服从正态分布”。

        另外两个社会学习适应和社会生活适应的概率为0

4、经验之谈

        大部分现实生活中调研的数据都是服从正态分布的。

        事实上，Kolmogorov-Smirnov检验从实用性的角度，远不如图形工具进行直观判断好用。在使用这种检验方法的时候要注意，当样本量较少的时候，检验结果不够敏感，即使数据分布有一定的偏离也不一定能检验出来；而当样本量较大的时候，检验结果又会太过敏感，只要数据稍微有一点偏离，P值就会因此，在实际的应用中，往往会出现这样的情况，明明直方图显示分布很对称，但正态性检验的结果P值却

        有专家根据经验提出，标准差超过均值的1/2时提示数据不服从正态分布，或者四分位间距与标准差的比值在1.35左右时提示服从正态分布，这些可以作为正态性检验的一个粗略判断依据，仅供参考。