教程 ·
正态性检验完整教程 — 参数检验前的必要前提，用 AI 一句话完成
Shapiro-Wilk、K-S 检验、QQ 图、偏度峰度一次讲清。AI 自动输出多种正态性诊断结果，给出"正态/不正态"结论与数据变换建议，附论文级 APA 报告句式，是做 t 检验、ANOVA 前不可跳过的前提检验。
做 t 检验或 ANOVA 之前，审稿人或导师问你"验证过正态性了吗？"你怎么回答？这篇教程讲清正态性判断的五种方法，给出 AI 一句话指令，以及可直接贴进论文的 APA 报告句式。
痛点：正态性检验为什么容易被忽略又无法回避
绝大多数参数检验都有一个前提假设：数据（或残差）服从正态分布。这个假设在教材里写得很清楚，但在实际操作中常被跳过——直到审稿人或导师发来一条评审意见：
- "请提供数据的正态性检验结果（如 Shapiro-Wilk 检验）"
- "方差分析假设正态性，但未见验证，请补充"
- "数据是否满足参数检验前提？请报告偏度与峰度"
- "分布图显示右偏，请说明是否做了正态性检验及处理方法"
这时候再回头补检验，往往发现 SPSS 里要在"分析 > 描述统计 > 探索"里找半天，导出结果又不知道哪个数字是重点，更不知道怎么在论文里写这一段。
正态性检验是参数检验的前提检验（assumption check）。它不是独立的分析目的，而是在做 t 检验、方差分析、Pearson 相关等参数检验之前，用来确认"数据可以用参数检验"的必要步骤。一旦正态性不满足，就需要数据变换或改用非参数检验——这个决策链条是完整学术报告不可绕过的一部分。
ChatSRS 用一句话即可输出完整的正态性诊断报告，包含统计检验、QQ 图、直方图、偏度峰度值，并给出方法建议。
正态性判断：五种方法及其适用场景
没有单一的"最好"方法。下面五种方式各有侧重，标准做法是组合使用。
方法一：Shapiro-Wilk 检验（小样本首选）
适用范围：样本量 n <= 50（部分软件支持到 n = 2000）
Shapiro-Wilk 检验（简称 S-W 检验）是目前公认在小样本下检验力最强的正态性统计检验。它通过计算 W 统计量来衡量数据与正态分布的拟合程度：W 越接近 1，越接近正态；W 显著偏低（且 p < .05），则拒绝正态性假设。
优点：小样本下灵敏，是 SPSS、R、统计教材的首推方法。
局限：当 n > 200 时，检验力过强，即使轻微偏态也会给出 p < .05 的结论，容易误判。
方法二：Kolmogorov-Smirnov 检验（大样本场景）
适用范围：样本量 n > 50，或需与 Lilliefors 校正版结合使用
K-S 检验比较数据的累积分布函数与正态分布的最大差距（D 统计量）。在 SPSS 的"Explore"模块中默认输出的是 Lilliefors 校正后的 K-S 检验，对大样本更稳健。
注意：大样本下 K-S 检验同样过于敏感，p < .05 并不代表实际偏差严重。大样本更应依赖图形诊断和偏度峰度数值。
方法三：QQ 图（正态概率图）
QQ 图（Quantile-Quantile Plot）将数据的实际分位数与理论正态分布的分位数对比绘图。判断标准：数据点越集中在对角线（45 度参考线）附近，正态性越好；点系统性地偏离对角线则提示偏态或厚尾。
QQ 图的优势是直观，特别是在大样本下，统计检验不可信时，QQ 图是最主要的判断依据。其劣势是需要主观判断，没有 p 值的明确截止。
方法四：偏度（Skewness）与峰度（Kurtosis）
偏度衡量分布的对称性：
- 偏度 = 0：完全对称
- 偏度 > 0：正偏（右尾长）
- 偏度 < 0：负偏（左尾长）
峰度衡量分布的"尖峰程度"（以正态分布为基准，超额峰度 = 峰度 - 3）：
- 超额峰度 = 0：与正态分布一致
- 超额峰度 > 0：尖峰厚尾（leptokurtic）
- 超额峰度 < 0：扁平薄尾（platykurtic）
阈值参考（不同文献略有差异，以下为常用学术标准）：
| 指标 | 可接受范围 | 轻度偏态 | 严重偏态 |
|---|---|---|---|
| 偏度绝对值 | < 1.0 | 1.0 - 2.0 | > 2.0 |
| 超额峰度绝对值 | < 3.0 | 3.0 - 7.0 | > 7.0 |
偏度和峰度的优势是给出量化数值，方便报告；局限是只描述分布特征，不含统计显著性。
方法五：直方图目视检查
将数据绘制为直方图，叠加正态曲线，直观判断形状。严重偏态、双峰分布、截断分布等问题在直方图上一目了然。直方图通常与 QQ 图搭配，作为图形诊断组合。
用 AI 一句话完成正态性检验
打开 chatsrs.com，上传数据后，输入以下指令（根据需要选择简版或详版）：
简版：快速前提检验
"对数据中的 anxiety_score、satisfaction、reaction_time 三个变量做正态性检验。输出每个变量的 Shapiro-Wilk W 值和 p 值、偏度和峰度，以及正态/不正态的结论，并给出后续分析方法建议。"
详版：完整论文级诊断
"对以下变量做完整的正态性诊断：anxiety_score、satisfaction、reaction_time。 请输出：
- 描述统计（n、均值、标准差、最小值、最大值）
- 偏度和峰度（含标准误），并判断是否在可接受范围（偏度 |S| < 2，超额峰度 |K| < 7）
- Shapiro-Wilk 检验（W 值、p 值）
- QQ 图（每个变量一张）
- 直方图（叠加正态曲线）
- 综合结论：每个变量是否满足正态性，推荐使用参数检验还是非参数检验
- 不正态时，建议对数变换还是其他处理方式"
配合 t 检验或 ANOVA 的前提核查指令
"在做独立样本 t 检验之前，先对两组的焦虑得分（anxiety_score）分别做 Shapiro-Wilk 正态性检验。若两组均满足正态性（p > .05），继续做独立样本 t 检验；若有一组不正态，改用 Mann-Whitney U 检验。请输出正态性检验结果和选择依据。"
输出结果怎么读
以 anxiety_score（n = 45）为例，ChatSRS 的典型输出如下：
输出 1：描述统计与偏度峰度
表 1 anxiety_score 描述统计（n = 45）
均值 标准差 最小值 最大值 偏度 超额峰度
8.24 3.17 2 18 0.43(SE=0.35) -0.31(SE=0.70)
判断：偏度 0.43 < 2，超额峰度 |-.31| < 7，分布形状可接受。
输出 2：Shapiro-Wilk 检验结果
Shapiro-Wilk 正态性检验
变量 n W p
anxiety_score 45 0.972 .352
satisfaction 45 0.941 .023
reaction_time 45 0.887 .001
结论：
anxiety_score：W = 0.972, p = .352 > .05，未拒绝正态性，满足正态性假设 [OK]
satisfaction：W = 0.941, p = .023 < .05，拒绝正态性，不满足正态性假设 [X]
reaction_time：W = 0.887, p = .001 < .05，拒绝正态性，不满足正态性假设 [X]
各指标解读
| 指标 | 含义 | 如何看 |
|---|---|---|
| W 统计量 | Shapiro-Wilk 统计量，取值 0 到 1 | 越接近 1 越正态；W < 0.900 通常提示明显偏态 |
| p 值 | 拒绝"数据来自正态分布"这一零假设的概率 | p > .05：未拒绝正态性（可视为正态）；p < .05：拒绝正态性（不满足假设） |
| 偏度 SE | 偏度的标准误 | 偏度 / SE > 2 时，偏态统计显著（粗略参考） |
| 综合判断 | W 与 p 的联合结论 | 两者一致时结论明确；不一致时（大样本常见），图形诊断优先 |
关于大样本的重要提示
当 n > 100 时，Shapiro-Wilk 对微小偏差极度敏感，p < .05 不代表偏差具有实际意义。此时应以 QQ 图和偏度峰度数值为主要判断依据，而非 p 值本身。
- QQ 图点基本落在参考线上 + 偏度 |S| < 1 + 超额峰度 |K| < 3：即使 S-W p < .05，数据也接近正态，参数检验仍稳健
- QQ 图严重偏离 + 偏度 > 2：确实偏态，考虑数据变换或非参数检验
不正态怎么办
确认数据不满足正态性后，有三种出路：
出路一：数据变换（保留参数检验框架）
| 分布特征 | 推荐变换 | 指令示例 |
|---|---|---|
| 正偏（右尾长） | 对数变换 log(x) | "对 reaction_time 做自然对数变换后重新检验正态性" |
| 正偏（中等） | 开方变换 sqrt(x) | "对 reaction_time 做平方根变换" |
| 正偏（严重） | Box-Cox 变换 | "对 reaction_time 做 Box-Cox 变换，找最优 lambda" |
| 负偏（左尾长） | 反射后对数变换 | "对数据做反转变换：max(x)+1-x，再取对数" |
注意：变换后必须重新做正态性检验确认变换有效，且在论文方法节说明"对 X 变量进行了对数变换以满足正态性假设"。
出路二：改用非参数检验（不要求正态分布）
| 原参数检验 | 非参数替代 |
|---|---|
| 独立样本 t 检验 | Mann-Whitney U 检验 |
| 配对样本 t 检验 | Wilcoxon 符号秩检验 |
| 单因素 ANOVA | Kruskal-Wallis 检验 |
| 重复测量 ANOVA | Friedman 检验 |
| Pearson 相关 | Spearman 秩相关 |
详见 非参数检验完整教程。
出路三：大样本时援引中心极限定理
当每组 n > 30（多数文献采用此阈值，部分严格标准要求 n > 50）时，根据中心极限定理，样本均值的分布趋近正态，t 检验和 ANOVA 对轻度正态性违反具有较强稳健性。此时可在论文方法节注明：
"尽管 Shapiro-Wilk 检验拒绝了正态性（W = XX, p = .0XX），考虑到每组样本量均 n > 30，根据中心极限定理，独立样本 t 检验在轻度偏态下仍保持稳健性（see Field, 2018），因此继续采用参数检验。"
论文里怎么报告（APA 7th）
这是很多人不知道怎么写的部分。以下给出正态性检验的标准 APA 学术报告句式。
场景一：数据满足正态性（继续做参数检验）
报告模板：
在进行独立样本 t 检验之前，对两组的 [变量名] 分别进行 Shapiro-Wilk 正态性检验。
结果显示，实验组（W = [值], p = [值]）和对照组（W = [值], p = [值]）的数据均
未拒绝正态性假设（p > .05），满足参数检验前提。
示例：
在进行独立样本 t 检验之前，对两组的焦虑得分分别进行 Shapiro-Wilk 正态性检验。结果显示，实验组（W = 0.972, p = .352）和对照组（W = 0.961, p = .218）的数据均未拒绝正态性假设（p > .05），满足独立样本 t 检验的正态性前提。
场景二：数据不正态，改用非参数检验
报告模板：
Shapiro-Wilk 正态性检验结果显示，[变量名] 在 [组别/整体] 中不满足正态性假设
（W = [值], p = [值]），因此采用 [非参数检验名称] 替代 [原参数检验名]。
示例：
Shapiro-Wilk 正态性检验结果显示，疼痛评分在三组中均不满足正态性假设（方案 A：W = 0.887, p = .001；方案 B：W = 0.901, p = .004；对照组：W = 0.893, p = .002），因此采用 Kruskal-Wallis 检验替代单因素方差分析。
场景三：大样本下违反正态性但保留参数检验
报告模板：
Shapiro-Wilk 正态性检验结果显示数据拒绝正态性（W = [值], p = [值]）；
然而，鉴于各组样本量均在 [n] 人以上（偏度 = [值]，峰度 = [值]，
QQ 图未见明显系统性偏离），依据中心极限定理，参数检验在此条件下仍保持稳健性，
故继续使用 [t 检验/ANOVA]（Tabachnick & Fidell, 2019）。
场景四：对数变换后满足正态性
报告模板：
反应时间数据（偏度 = [值]）右偏明显，对其进行自然对数变换（ln 变换）。
变换后数据满足正态性假设（W = [值], p = [值]），后续参数检验基于对数变换值进行，
结论仍以原始均值呈现。
APA 7th 报告注意事项：
- W 值精确到三位小数，p 值精确到三位小数（p < .001 时写 p < .001）
- 同时检验多个变量时，可用括号列举每个变量的结果，或制成三线表
- 正态性检验必须在方法节（Method - Data Analysis 小节）或结果节开头报告，不要放在注释里
- 若使用偏度和峰度作为补充判断依据，同样需要报告数值
常见问题 FAQ
Q：p > .05 还是 p < .05 代表数据正态？
A：p > .05 代表数据通过了正态性检验（更准确说是"未能拒绝正态性假设"）。Shapiro-Wilk 的零假设是"数据来自正态分布"，p < .05 意味着以 .05 的显著水平拒绝零假设，即数据偏离正态；p >= .05 则不拒绝，视为满足正态性。这个方向与很多人的直觉相反，请特别注意。
Q：大样本（n > 200）时 Shapiro-Wilk 几乎总是 p < .05，这正常吗？应该怎么判断？
A：完全正常，这是统计检验力的必然结果。大样本下，Shapiro-Wilk 能检测到极微小的偏差，而这些偏差对参数检验的实际影响可以忽略不计。此时不要单靠 p 值，应当组合判断：(1) QQ 图是否系统性偏离对角线（是否存在明显弯曲）；(2) 偏度绝对值是否 < 1，超额峰度绝对值是否 < 3；(3) 直方图形状是否接近钟形。三项均满足时，即使 S-W p < .05，参数检验仍适用并具有稳健性。
Q：要不要对每个变量都检验正态性？
A：不需要对数据集里所有变量无差别地全检一遍。只检验参数检验的因变量（或在回归中只检验残差）。具体规则：(1) t 检验和 ANOVA：检验每组的因变量；(2) 相关和回归：检验连续变量（或更精确地，检验回归残差）；(3) 自变量（如分组变量、类别变量）不需要检验正态性；(4) 描述统计阶段可以顺便检验，但不强制要求。
Q：正态性检验的"正态"是什么变量才需要正态？连续变量、有序变量都要检验吗？
A：正态性假设针对的是连续变量（Continuous Variable）——即真正的区间尺度（interval scale）或比率尺度（ratio scale）数据，如身高、体重、反应时间、量表总分。**有序变量（如单题 Likert 分项）**理论上不假设正态分布，应使用非参数检验。实践中，当有序变量有 5 个或以上等级且分布接近对称时，很多期刊允许当作连续变量处理，但需在方法节说明并做正态性检验验证其合理性。类别变量（如性别、分组）从不需要检验正态性。
Q：方差分析（ANOVA）的正态性假设指的是整体数据正态还是每组都要正态？
A：每组分别满足正态性，而不是全体数据合并后正态（合并后多组叠加往往出现多峰，不能代表组内分布）。因此，做 ANOVA 正态性检查时，应对每个组的因变量分别做 Shapiro-Wilk 检验，并分别报告各组的 W 和 p 值。
Q：ChatSRS 的正态性检验和 SPSS 的结果会不一样吗？
A：在同一数据上，Shapiro-Wilk 的 W 值和 p 值与 SPSS 结果一致（两者均基于 Royston 1995 算法）。偏度和峰度的定义在不同软件间略有出入（主要是峰度是否减 3 以得到超额峰度），ChatSRS 报告超额峰度（excess kurtosis = kurtosis - 3），与 SPSS 默认输出一致。
小结
正态性检验不是分析目的，而是参数检验的前提核查。做好这一步，后续的 t 检验、方差分析才站得住脚；跳过这一步，审稿人的修改意见就会找上门来。
判断正态性没有单一黄金标准，而是组合决策：
- 小样本（n <= 50）：Shapiro-Wilk p > .05 是最重要的判据
- 中等样本（50 < n < 200）：S-W + QQ 图结合判断
- 大样本（n >= 200）：QQ 图 + 偏度峰度数值优先于 p 值
- 不正态时：优先考虑数据变换或非参数检验，大样本可援引中心极限定理
在 chatsrs.com 输入一句自然语言指令，即可获得：
- Shapiro-Wilk W 值和 p 值（全变量批量输出）
- 偏度和峰度（含 SE 和判断标准）
- QQ 图和直方图（图形诊断）
- 综合结论：正态/不正态，以及后续推荐方法
- 可直接粘贴进论文方法节的 APA 7th 报告文字
相关阅读
- t 检验完整教程 — 独立/配对/单样本用 AI 一句话完成 — 正态性满足后，独立样本和配对样本 t 检验的完整操作与 APA 报告
- 非参数检验完整教程 — Mann-Whitney/Wilcoxon/Kruskal-Wallis — 正态性不满足时的替代检验，四种方法全覆盖
- ANOVA 方差分析全套教程 — 三组及以上的均值比较，正态性和方差齐性双重前提检验
- 毕业论文统计分析救星 — 从数据清洗到最终报告的完整 AI 流程，含前提检验节点
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。