SPSS數據正態(tài)性檢驗解析

SPSS數據正態(tài)性檢驗解析SPSS數據正態(tài)性檢驗解析例：請對某大學學生的身高資料進行分析，是否符合正態(tài)分布1.2.3.結果部分：解析：偏度>0，尾部向右延伸偏度<0，尾部向左延伸峰度=0

與正態(tài)分布的陡緩程度相同

峰度>0

比正態(tài)分布的高峰更加陡峭——尖頂峰（瘦）

峰度<0

比正態(tài)分布的高峰來得平臺——平頂峰（胖）SAS規(guī)定:n≤2000，以Shapiro-Wilk(W檢驗)為準；n>2000，以Kolmogorow-Smirnov(D檢驗)為準如果整個圖逆時針轉90度，就變成變相的直方圖，也是反映分布形態(tài)的，但信息含量遠大于直方圖（分布及數值大?。?。以倒數第二行為例，最左邊的17是指右邊的小數點后面有17個數字。17是莖，0001114是17個樹葉，最后一行主干寬度是10，意味上面數字得放大10倍，意思是有3個180,3個181。&為零碎葉子的標志。因葉子太小或太大無法在圖中顯示，用&表示。解讀：P-P圖反映了變量的實際累積概率與理論累積概率的符合程度，Q-Q圖反映了變量的實際分布與理論分布的符合程度，兩者意義相似，都可以用來考察數據資料是否服從某種分布類型。若數據服從正態(tài)分布，則數據點應與理論直線（即對角線）基本重合。本例數據很多不在參考線上，不符合正態(tài)分布，與前W檢驗結果一致。P-P圖Q-Q圖注意：事實上，Shapiro-Wilk檢驗及Kolmogorov-Smirnov檢驗從實用性的角度，遠不如圖形工具進行直觀判斷好用。在使用這兩種檢驗方法的時候要注意：當樣本量較少的時候，檢驗結果不夠敏感，即使數據分布有一定的偏離也不一定能檢驗出來；當樣本量較大的時候，檢驗結果又會太過敏感，只要數據稍微有一點偏離，P值就會<0.05，檢驗結果傾向于拒絕原假設，認為數據不服從正態(tài)分布。如果樣本量足夠多，即使檢驗結果P<0.05，數據來自的總體也可能是服從正態(tài)分布的。因此，在實際的應用中，往往會出現這樣的情況，明明直方圖顯示分布很對稱，但正態(tài)性檢驗的結果P值卻<0.05，拒絕原假設認為不服從正態(tài)分布。此時建議不要太刻意追求正態(tài)性檢驗的P值，一定要參考直方圖、P-P圖等圖形工具來幫助判斷。很多統(tǒng)計學方法，如T檢驗、方差分析等，與其說要求數據嚴格服從正態(tài)分布，不如說“數據分布不要過于偏態(tài)”更為合適。經驗法：一般正態(tài)分布的標準差不會大于均值的1/3,這是目測判斷法，最終還是要經過檢驗，但如果標準差都大于均數，一般不太可能正態(tài)分布。發(fā)現異常值！P75P50P25雖然箱式圖一般用于判定數據是否存在異常值，但如果細心，上方很多離群值，數據像大的方向拖尾，結果與直方圖判讀一致。按照SPSS默認選項，如果所有數據都在四分位點1.5倍盒子長度內，則線的端點為最大值和最小值，否則線長度就是1.5倍盒子長度（盒子長度等于四分位間距），在其外的值單