s p s s数据正态分布检验文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]
spss数据正态分布检验
一、Z检验
第一步：录入数据。
1．命名“变量视图”；
2．“数据视图”中输入数据；
第二步：进行分析。
第三步：设置变量；
第四步：得到结果：
二、相关系数检验
在一项研究中，一个学生想检查生活意义和心理健康是否相关。同意参与这项研究的30个学生测量了生活意义和心理健康。生活意义的得分范围是10-70分（更高的得分表示更强的生活意义），心理健康的得分范围是5-35分（更高的得分表示更健康的心理状态）。
在研究中基本的兴趣问题也可以用研究问题的方式表示，例如
例题：生活意义和心理健康相关吗
相关系数数据的例子
ParticipantMeaninginLifeWell-being ParticipantMeaninginLifeWell-being
13519 26527 31419 43535 56534 63334 75435 82028 92512 105821 113018 123725 135119 145025 153029 167031 172512 185520 196131 205325 216032 223512 233528 245020 253924 266834 275628 281912 295635 306035
说明：变量participant包含在数据中，但不用输入SPSS。
在spss中输入数据及分析
步骤1：生成变量
1．打开spss。
2．点击“变量视图”标签。
在spss中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为meaning和wellbeing。
3．在“变量视图”窗口前两行分别输入变量名称meaning和wellbeing。
步骤2：输入数据
1．点击“数据视图”，变量meaning和wellbeing出现在数据视图前两列。
2．将两个变量的数据分别输入。如图。 步骤3：分析数据
1．从菜单栏中选择“分析>相关>双变量>……” 打开“双变量”对话框，变量meaning 和wellbeing 出现在对话框的左边。
2．选择变量meaning 和wellbeing ，点击向右箭头按钮（），把变量移到“变量”框中。
3．点击“确定”。 步骤4：解释结果
二元相关性的输出结果显示如下：
相关性
wellbei ng
meaning
wellbei ng Pearson 相关性
1 .549**
显着性（双侧）
.002
N 30 30
meaning Pearson 相关性
.549** 1
显着性（双侧） .002
N 30 30
**.在.01水平（双侧）上显着相关。
SPSS 生成了一个输出表，标记为“相关性”，其中包括我们研究问题的答案，即变量meaning 和wellbeing 之间是否相关。
注意在表格中meaning 和wellbeing 出现了两次，一次在行，一次在列（这表明SPSS 生成的表格中出现了冗余）。相关系数值和原假设检验的p 值位于
同样的结果在相关性
生活意义和心
相关性显着，
变量meaning和wellbeing相交处。表格中显示meaning和wellbeing的相关性是，相应的p值是小于，原假设被拒绝，在meaning和wellbeing的总体中存在正相关（相关系数右边的两个星号暗示了在水平上相关性是统计显着的，因为p值为小于）。剩下的两个单元格显示了1的相关性，一个完美的正相关。即变量meaning和wellbeing自身与自身的相关性。
三、独立样本T检验
例题：
临床心理学家想调查认知行为治疗和精神分析治疗对抑郁症的相对有效性。30名患有抑郁症的病人随机分配接受两个疗法。其中15人接受行为治疗，另外15人接受精神分析治疗，经过两个月的治疗后，记录下每个病人抑郁症得分。在本研究中，自变量是治疗方法（认知行为治疗与精神分析治疗），因变量是抑郁症，较高的分数表示更高的抑郁水平（抑郁水平的分数变化范围为10~70)。
在研究中基本的兴趣问题也可以用研究问题的方式表示，例如：
“在接受认知行为治疗与精神分析治疗的病人中，抑郁症水平的均值是否存在差异呢”
T检验用来检验两组数据的均值。所以，零假设假设两组数据的均值相等：
原假设指出两组的抑郁症分数均值在总体上是相等的：
H0：μ精神分析=μ认知行为
对立假设指出两组的抑郁症分数均值在总体上是不等的：
H1：μ精神分析≠μ认知行为
数据
在下表列出了30个参与者的数据。接受精神分析治疗的参与者标记为“1”，接受认知行为治疗的标记为“2”。
独立样本t检验例子的数据
Participant Therapy Depression Participant Therapy Depression
1 1 57 16
2 47
2 1 61 17 2 42
3 1 67 18 2 59
4 1 63 19 2 37
6 1 55 21 2 42
7 1 45 22 2 38
8 1 62 23 2 49
9 1 41 24 2 61
10 l 36 25 2 43
11 1 55 26 2 47
12 1 57 27 2 49
13 1 70 28 2 37
14 l 62 29 2 41
15 1 58 30 2 48
说明：变量participant包含在数据中，但不用输入SPSS。
步骤1：生成变量
1．打开SPSS。
2．点击【变量视图】标签。
在SPSS中将生成两个变最，一个是不同治疗方法的组别(自变量)，另一个是抑郁症分数(因变量)。这些变量将各自被命名为therapy(治疗方法)和depression(抑郁症)。
3．在【变量视图】窗口前两行分别输入变量名称therapy和depression
(详见图表)
4．为变量therapy建立变量值标签，1=“精神分析治疗”，2=“认知行为治疗”。
步骤2：输入数据
1．点击【数据视图】标签。变量therapy和depression出现在【数据视图】窗口的前两列。
2．参照图表6-1，为每个参与者输入两个变量的数据。对第一个参与者，为变量therapy和depression分别输人数值1和57。依次输入全部30个参与者的数据。
对therapy，注意到前15个参与者为1
（精神分析治疗），后15个参与者为
步骤3：分析数据
1．从菜单栏中选择【分析>比较均值>独立样本T检验】（见图）。
打开【独立样本T检验】对话框，变量therapy和depression出现在对话框的左边。
2．选择因变量depression，点击向右箭头按钮（）把变量移到【检验变量】框。
3．选择自变量therapy，点击向右箭头按钮（）把变量移到【分组变量】框中。
在【分组变量】框中，两个在括号内的问号出现在therapy的右边（见图）。这些问号表示原先的数字分配到两个治疗样本中（也就是l、2）。这些数字需要通过点击【定义组】来输入。
4．点击【定义组】。
5．【定义组】对话框被打开，在【组1】（表示精神分析治疗样本的数字）的右边输入“1”，并且在“组2”（表示认知行为治疗样本的数字）的右边输入“２”。
6．点击【继续】。
7．点击【确定】。
结果显示在【查看】窗口中。
步骤4：解释结果
组统计量表
输出的第一个表格显示每个治疗组的描述统计量，包括样本量、平均值、标准差和标准误差。注意到认知行为治疗样本的抑郁分数均值（均值=）比精神分析治疗样本（均值=）的低。我们稍后将会考虑这两组之间的差异对具有统计显着性而言是否足够大。
独立样本检验表
第二个表格“独立样本检验表”显示在“均值相等的t检验”之后的“假设方差相等”栏中的结果。
方差方程的Levene检验
“方差方程的Levene检验”检验两个治疗组的总体方差是否相等，这是独立样本t检验的一个假设。SPSS使用个由Levene开发的方法来检验总体相等的假设。
Levene检验的原假设和对立假设是：
H0：σ2精神分析=σ2认知行为（两组的总体方差相等）
H1：σ2精神分析≠σ2认知行为（两组的总体方差不相等）
T检验
四、相依样本T检验
在对某种程度上相关的两个样本的均值进行比较时，我们可以使用相依样本t检验（也称为配对样本t检验，重复测量t检验，匹配样本t检验等）。
在相依样本t检验中．两个样本可能包含同一个人在两个不同时刻进行侧量或者两个有联系的人分别测量的结果（例如，双胞胎的IQ，妻子与丈夫的沟通质量）。准确定义相依样本t检验的关健在于记住两样本间要在某方面存在自然联系．下面给出一个相依样本t检验的例子。
一个国家选举机构的工作人员负责通过民意调查来决定经济和国家安全哪个议题对于选民更重要。有25个选民被调查以确定两个议题的重要性等级，每个议题用1-7的等级表示（1=一点也不重要，7=极其重要）。自变量是投票议题（经济、国家安全），（因）变量是重要性等级。
在研究中，基本的兴趣问题也可以用研究问题的方式表示，例如，
“对选民来说经济重要性等级和国家安全是否存在不同”
数据
步骤1：生成变量
1．打开spss。
2．点击【变量视图】标签。
在spss中将生成的两个变量，分别用于经济等级和国家安全。两个变量分别命名为economy和security。
3．在【变量视图】窗口前两行分别输入变量名称economy和security。（见图）。
步骤2：输入数据
1．点击【数据视图】标签。变量economy
和security出现在【数据视图】窗口的两列。
2．为每个参与者输入两个变量的数据。对
第一个参与者，为变量economy和security分别
输入等级5和7。依次输入全部25个参与者的
数据。
步骤3：分析数据
1．从菜单栏中选择【分析>比较均值>配对
样本T检验】。
打开【配对样本T检验】对话框，变量
economy和security出现在对话框的左边。
2．选择因变量economy和security，点击
向右箭头按钮（）把变量移到【成对变量】框中。
3．点击【确定】。
在spss中运行相依样本t检验程序，结果显示在“查看”视窗中。
步骤4：解释结果
成对样本统计量
输出的第一个表格“成对样本统计量”显示了economy和security的描述统计量、包括样本量、平均值、标准差和标准误差。请注意，经济的平均重要性等级（均值=）比国家安全（均值=）的高。我们稍后将会考虑这两个平均等级之间的差异（对）是否大到足以具有统计显着性。
成对样本相关系数
表格“成对样本相关系数”除了提到这个相关性等于25个参与者对于经济和国家安全的等级之间的皮尔逊相关系数外，对于解释配对样本t检验不是重要的。
成对样本检验
表格“成对样本检验”为我们的研究问题提供了答案，就是经济和国家安全的重要性等级间是否存在差异。原假设的检验是以t的形式显示的，这里
五、χ2独立性检验
(一)双因素卡方检验
双因素卡方检验法常用来检验两个因素是否互相独立。如果不是互相独立，就是互相联系。
做出零假设(H0)，两个因素互相独立，没有联系；备择假设(H1)两个因素不互相独立。如果p﹥或，接受原假设，互相独立；相反，如果p﹤或，拒绝原假设，说明两事件有联系。（小拒绝大接受）
（A）2×2表卡方检验
例子
一位研究员想调查性格类型（个性内向的人、个性外向的人）和休闲运动的选择（逛游乐园、休息一天）是否有关系。他对100名答应参与这项研究的人做了性格测试，并且基于测试的分值把他们分为性格内向的人和性格外向的人，然后要求每个参与者在逛游乐园和休息一天两者之中选择更喜欢的休闲方式。图表5-1描述了每个参与者的性格类型和选择的休闲方式：
因为性格类型和休闲方式都有两个水平，得到四个单元，当前的例子为2×2卡方表。
分析：零假设为2×2列联表中列一“性格类型”与列二“休闲方式”之间独立。如果p<，则拒绝零假设；如果p>，则接受零假设。
步骤1：生成变量
1．打开spss。
2．点击【变量视图】标签。
在SPSS中将生成三个变量，一个是不同的性格类型，一个是休闲方式，一个是频数。这三个变量分别命名为personality，activity和frequency。
3．在【变量视图】窗口前三行分别输入变量名称personality，activity和frequency。
4．为分类变量personality和activity建立变量值标签，对于personality，l=“内向”，2=“外向”。对于activity，1=“逛游乐园”，2=“休息”。
步骤2：输入数据
接下来，我们在spss中输入数据。χ2独立性检验有两种不同的数据输入方法：加权方法和个体观测值方法。当数据在每个单元的频数统计出来时，应采用加权方法。由于在我们的例子中，单元中的频数已经被统计出来(如图表1)，我们将采用加权方法来输入数据。
在我们的例子中，内向性格和外向性格的人可以进择逛游乐园和休息中的一个，于是产生了四种不同情况(内向／逛游乐园、内向／休息、外向／逛游乐园、外向／休息)。由于我们采用加权方法来输人数据，我们需要在【数据视窗】窗口为这四种情况的每一种创建单独的一行。用加权方法建立的数据文件结构如图表所示。
输入数据
1．点击【数据视图】标签。变量personality，activity和frequency出现在【数据视图】窗口的前三列。
按照图表，第一种情况对应于内向(1)且选择逛游乐园(1)的人，总共有12个人，这些值应该被输入【数据视图】窗口的第一行。
2．在【数据视图】窗口的第一行对personality，activity和frequency分别输入l，1和12，在【数据视图】窗口的2～4行输入剩下的三种情况(在第2行输入l，2和28，在第3行输入2，1和43，在第4行输入2，2和17)。图表中给出了完整的数据文件。
步骤3：分析数据
在执行χ2检验之前，我们首先需要对frequency进行加权。加权表明给定变量的值表示观测总次数，而不仅仅是一个分数值。例如，对frequency进行加权时，frequency取值为12代表12个人，而不是分数为12。
对frequency进行加权
1．在菜单栏中选择“数据>加权个案”。
2．打开【加权个案】对话框。选择“加权个案”并选择变量frequency，点击向右箭头按钮()，把frequency移到“频率变量”框中。
3．点击“确定”。这表示在每个类别中频数的取值(12，28，43和17)对应于每个单元的所有参与者，而不仅仅是一个分数。
通过对frequency进行加权，现在我们可以在SPSS中执行χ2独立性检验。
执行χ2独立性检验
1．在菜单栏中选择“分析>描述统计>交叉表”。
打开【交叉表】对话框，变量personality，activity和frequency出现在对话框的左侧。
2．选择personality，点击向右箭头按钮〔），把变量移到“行”框。
3．选择activity，点击向右箭头按钮（），把变量移到“列”框中。
4．点击。打开“交叉表：统计量”对话框，选择“卡方”。
5．点击“继续”。
6．点击“单元格”。打开“交叉表：单元显示”对话框，在“计数”下选择“观察值”“期望值”；在“百分比”下选择“行”。
7．点击“继续”。
8．点击“确定”。
步骤4：解释结果
案例处理摘要
案例
有效的缺失合计
N 百分比N 百分比N 百分比personality*activity 100 % 0 .0% 100 %
personality*activity交叉制表
activity
amusementpark retreat
合计
personality introvert 计数12 28 40
期望的计数
personality中的% % % % extrovert 计数43 17 60
期望的计数
personality中的% % % %
合计计数55 45 100
期望的计数
personality中的% % % %
卡方检验
值df 渐进Sig.(双侧) 精确Sig.(双侧) 精确Sig.(单侧) Pearson卡方16.835a 1 .000
连续校正b 1 .000
似然比 1 .000
Fisher的精确检验.000 .000 线性和线性组合 1 .000
有效案例中的N 100
单元格(.0%)的期望计数少于5。最小期望计数为。
b.仅对2x2表计算
（B）(r×c)列联表的卡方检验
当列联表不是2×2交叉表的时候，要判断总体的变量是否彼此独立，这时候自由度：df=（r-1）（c-1）。
列联表形式(r×c)
方法同
如：《应用语言学实验方法》一书83页的例子。
分析：零假设为：列一“第一语言背景”与列二“冠词错误频数”之间独立。如果
p<，则拒绝零假设，反之，则接受零假设。（小拒绝，大接受）
经过计算，结果如下：
p=
接受原假设，即：
在spss中的计算方法。
步骤1：建立变量
【变量视图】中同样输入“错误类型”、“语言背景”和“频数”三行。
然后，分别对“错误类型”和“语言背景”标签赋值。
步骤2：输入数据
在【数据视图】中输入数据。
注意按照列联表的对应情况，分别为“错误类型”和“语言背景”中输入1~4、1~2的值。并将它们在列联表中的频数值，输入第三列“频数”中。
步骤3：分析数据
数据正态性检验及正态转换在spss中的实现 1数据正态性检验 观察分布，预先判断 主要观察直方图，以及根据峰度和偏度粗略估计研究变量的分布。采用spss中描述统计中的频率分析来实现，具体操作如下： （1）在spss中打开数据资料文件，依次点击“分析—描述统计—频率”，如下图： （2）在弹出的对话框中，选择左边方框中要研究的变量，点击中间的箭头，将其选入右边的对话框，本文选择“胫围”作示例分析，如下图：
（3）之后，选择最右边五个选项卡中的“统计”选项卡，在弹出的对话框中的右下角勾选“偏度”和“峰度”选项，点击“继续”，如下图： （4）再点击“图表”选项卡，在弹出的对话框中勾选“直方图”和“在直方图中显示正态曲线”选项，点击“继续”，如下图： （5）然后点击“确定”选项，得出如下结果：统计一栏中包括有偏度及其标准误差、峰度及其标准误差。由结果可知：(偏度)>*(偏度标准误差)；（峰度）>*(峰度标 准误差)，推测该胫围数据不符合正态分布。
正态分布显著性检验 采用spss中非参数分析方法对数据资料进行正态性检验，具体步骤如下： （1）在spss中打开数据资料文件，依次点击“分析—非参数检验—单样本k-s”，如下图：
（2）在弹出的对话框中，选择左边方框中要研究的变量，点击中间的箭头，将其选入右边的对话框，本文选择“胫围”作示例分析，如下图： （3）之后，点击最右边的“精确”选项卡，在弹出的对话框中有三个选项，1、“仅渐进法”：是基于渐进分布的显著性水平的检验指标，适用于大样本，如果样本 过小或者分布不好，就会影响检验的效力；2、“蒙特卡洛法”：适用于精确显著 性水平的无偏估计，如果样本过大，数据处理过程太长，就应该使用这个选项； 3、“精确”：精确计算概率值，可以设定数据处理的时间，如果数据处理时间超
用SPSS进行正态性分布检验全过程 (2008-06-21 13:26:12) 转载 标签： 杂谈 1、先做直方图看看是否大概符合正态分布，这个不用说了吧，Graph-->legacy dialogs-->histogram-->选入变量--》OK.如果距离正态分布的样子太远了，你就不要做下面的工作啦。 2、Analyze-->descriptive statistic-->explore--》选入变量--》选右上角的plots-->打开后，选中间的normally plots with tests -->OK。结果就出来啦。 3、它会用两种方法来检验正态分布，当sig>0.05时服从正态分布,如果不服从正态分布，就要看峰度和偏度啦： 偏度主要是研究分布形状是否对称。约＝0 则可以认为分布是对称的； >0则可以认为右偏态，此时在均值右边的数据更为分散； <0则可以认为左偏态，同理。 峰度它是以正态分布为标准，比较两侧极端数据分布情况的指标。 正态的＝0 >0 此时分布有一个沉重的尾巴， <0正好相反。 附加检验： （Ⅱ）附加检验之一，观察正态概率图，如果数据来自正态分布，图形的散点应该呈现一条直线。用Plot绘制正态分布的概率图，里面的“+”构成一条直线（正态分布数据概率图散点应该成一条直线），“*”代表样本数据散点。根据“*”覆盖“+”的程度，说明样本数据是否来自正态分布数据。 （Ⅲ）附加检验之二，绘制数据的条形图，如果数据来自正态分布，条形图呈现“钟形”分
布。用histogram绘制直方图/normal在直方图中拟合正态分布的密度曲线，可以看到，曲线几乎是个标准钟形，可以认为数据是正态分布。 （Ⅳ）附加检验之三，观察描述性统计量中偏度系数（Skewness）g1和峰度系数（Kurtosis）g2，如果数据来自正态分布，则两者都应该是0。用g1,g2,бg1,бg2来计算U值，用U检验法。U1=同理计算U2，要两个都小于1.96，即p大于0.05才可以
正态分布检验 一、正态检验的必要性[1] 当对样本是否服从正态分布存在疑虑时，应先进行正态检验；如果有充分的理论依据或根据以往积累的信息可以确认总体服从正态分布时，不必进行正态检验。 当然，在正态分布存疑的情况下，也就不能采用基于正态分布前提的参数检验方 法，而应采用非参数检验。 二、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。 Q-Q图为佳，效率较高。 以上两种方法以 3、直方图 判断方法：是否以钟形分布，同时可以选择输出正态性曲线。 4、箱式图 判断方法：观测离群值和中位数。 5、茎叶图 类似与直方图，但实质不同。 三、计算法 1、峰度（Kurtosis）和偏度（Skewness） （1）概念解释 峰度是描述总体中所有取值分布形态陡缓程度的统计量。这个统计量需要与正态分布相比较，峰度为0表示该总体数据分布与正态分布的陡缓程度相同；峰度大于0表示该总体数据分布与正态分布相比较为陡峭，为尖顶峰；峰度小于0表示该总体数据分布与正态分布相比
较为平坦，为平顶峰。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异 程度越大。 峰度的具体计算公式为： 注：SD就是标准差σ。峰度原始定义不减3，在SPSS中为分析方便减3后与0作比较。 偏度与峰度类似，它也是描述数据分布形态的统计量，其描述的是某总体取值分布的对称性。这个统计量同样需要与正态分布相比较，偏度为0表示其数据分布形态与正态分布的偏斜程度相同；偏度大于0表示其数据分布形态与正态分布相比为正偏或右偏，即有一条长尾巴拖在右边，数据右端有较多的极端值；偏度小于0表示其数据分布形态与正态分布相比为负偏或左偏，即有一条长尾拖在左边，数据左端有较多的极端值。偏度的绝对值数值越大表示其分布形态的偏斜程度越大。 偏度的具体计算公式为： 各种正态分布，尽管μ和σ可以分别取不同的值，但偏度都等于0，峰度都等于3，它们的密度函数曲线的形状都是一样的[1]。(SPSS中峰度减3与0比较 （2）适用条件 样本含量应大于200。 （3）检验方法 计算得到的峰度、偏度根据正态分布的值3、0（SPSS中为0、0）来直观判断是 否接近。 应对二者分别进行U检验来定量描述显著性，方法如下[2]：峰度U检验：|峰度-3| / 峰度标准差 <= U0.05 = 1.96（SPSS中将3替换为0）偏度U检验：|偏度-0| / 偏度标准差 <= U0.05 = 1.96 如果上述都成立，则可认为在0.05显著水平符合正态分布(下例偏度可判断不符合。
下面我们来看一组数据，并检验“期初平均分” 数据是否呈正态分布（此数据已在SPSS里输入好） 在SPSS里执行“分析—>描述统计—>频数统计表”(菜单见下图，英文版的可以找到相应位置)，然后弹出左边的对话框，变量选择左边的“期初平均分”，再点下面的“图表”按钮，弹出图中右边的对话框，选择“直方图”，并选中“包括正态曲线”
设置完后点“确定”，就后会出来一系列结果，包括2个表格和一个图，我们先来看看最下面的图，见下图， 上图中横坐标为期初平均分，纵坐标为分数出现的频数。从图中可以看出根据直方图绘出的曲线是很像正态分布曲线。如何证明这些数据符合正态分布呢，光看曲线还不够，还需要检验：
检验方法一：看偏度系数和峰度系数 我们把SPSS结果最上面的一个表格拿出来看看(见下图)： 偏度系数Skewness=-0.333;峰度系数Kurtosis=0.886；两个系数都小于1，可认为近似于正态分布。 检验方法二：单个样本K-S检验 在SPSS里执行“分析—>非参数检验—>单个样本K-S检验，弹出对话框，检验变量选择“期初平均分”，检验分布选择“正态分布”，然后点“确定”。 检验结果为：
从结果可以看出，K-S检验中,Z值为0.493，P值(sig 2-tailed)=0.968>0.05，因此数据呈近似正态分布 检验方法三：Q-Q图检验 在SPSS里执行“图表—>Q-Q图”，弹出对话框，见下图： 变量选择“期初平均分”，检验分布选择“正态”，其他选择默认，然后点“确定”，最后可以得到Q-Q图检验结果，结果很多，我们只需要看最后一个图，见下图。
spss 数据正态分布检验方法及意义判读 要观察某一属性的一组数据是否符合正态分布，可以有两种方法（目前我知道这两种，并且这两种方法只是直观观察，不是定量的正态分布检验）： 1：在spss里的基本统计分析功能里的频数统计功能里有对某个变量各个观测值的频数直方图中可以选择绘制正态曲线。具体如下：Analyze-----Descriptive S tatistics-----Frequencies，打开频数统计对话框，在Statistics里可以选择获得各种描述性的统计量，如：均值、方差、分位数、峰度、标准差等各种描述性统计量。在Charts里可以选择显示的图形类型，其中Histograms选项为柱状图也就是我们说的直方图，同时可以选择是否绘制该组数据的正态曲线（With nor ma curve），这样我们可以直观观察该组数据是否大致符合正态分布。如下图： 从上图中可以看出，该组数据基本符合正态分布。 2：正态分布的Q-Q图：在spss里的基本统计分析功能里的探索性分析里面可以通过观察数据的q-q图来判断数据是否服从正态分布。 具体步骤如下：Analyze-----Descriptive Statistics-----Explore打开对话框，选择Plots选项，选择Normality plots with tests选项，可以绘制该组数据的q-q 图。图的横坐标为改变量的观测值，纵坐标为分位数。若该组数据服从正态分布，则图中的点应该靠近图中直线。 纵坐标为分位数，是根据分布函数公式F(x)=i/n+1得出的.i为把一组数从小到大排序后第i个数据的位置，n为样本容量。若该数组服从正态分布则其q-q图应该与理论的q-q图（也就是图中的直线）基本符合。对于理论的标准正态分布，其q-q图为y=x直线。非标准正态分布的斜率为样本标准差，截距为样本均值。 如下图：
s p s s数据正态分布检验Newly compiled on November 23, 2020
spss数据正态分布检验
一、Z检验 第一步：录入数据。 1．命名“变量视图”； 2．“数据视图”中输入数据； 第二步：进行分析。 第三步：设置变量； 第四步：得到结果：
二、相关系数检验 在一项研究中，一个学生想检查生活意义和心理健康是否相关。同意参与这项研究的30个学生测量了生活意义和心理健康。生活意义的得分范围是10-70分（更高的得分表示更强的生活意义），心理健康的得分范围是5-35分（更高的得分表示更健康的心理状态）。 在研究中基本的兴趣问题也可以用研究问题的方式表示，例如 例题：生活意义和心理健康相关吗 相关系数数据的例子 ParticipantMeaninginLifeWell-being ParticipantMeaninginLifeWell-being 13519 26527 31419 43535 56534 63334 75435 82028 92512 105821 113018 123725 135119 145025 153029 167031 172512 185520 196131 205325 216032 223512 233528 245020 253924 266834 275628 281912 295635 306035 说明：变量participant包含在数据中，但不用输入SPSS。 在spss中输入数据及分析 步骤1：生成变量 1．打开spss。 2．点击“变量视图”标签。 在spss中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为meaning和wellbeing。 3．在“变量视图”窗口前两行分别输入变量名称meaning和wellbeing。 步骤2：输入数据 1．点击“数据视图”，变量meaning和wellbeing出现在数据视图前两列。
正态性检验方法的比较 理论部分 正态分布是许多检验的基础，比如F检验，t检验，卡方检验等在总体不是正太分布是没有任何意义。因此，对一个样本是否来自正态总体的检验是至关重要的。当然，我们无法证明某个数据的确来自正态总体，但如果使用效率高的检验还无法否认总体是正太的检验，我们就没有理由否认那些和正太分布有关的检验有意义，下面我就对正态性检验方法进行简单的归纳和比较。 一、图示法 1. P-P图 以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，以样本值表现为直角坐标系的散点。如果数据服从正态分布，则样本点应围绕第一象限的对角线分布。 2. Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系的散点。如果数据服从正太分布，则样本点应围绕第一象限的对角线分布。 以上两种方法以Q-Q图为佳，效率较高。 3. 直方图（频率直方图） 判断方法：是否以钟型分布，同时可以选择输出正态性曲线。 4. 箱线图 判断方法：观察矩形位置和中位数,若矩形位于中间位置且中位数位于矩形的中间位置，则分布较为对称，否则是偏态分布。 5. 茎叶图 判断方法：观察图形的分布状态,是否是对称分布。
二、偏度、峰度检验法（冒牌K-S 检验法）： 1. S ，K 的极限分布 样本偏度系数() 3 32 2B S B =；该系数用于检验对称性，S>0时，分布呈正偏态，S<0时， 分布呈负偏态。 样本峰度系数() 4 2 23B K B = -；该系数用于检验峰态，K>0时为尖峰分布，S<0时为 扁平分布；当S=0，K=0时分布呈正态分布。 0H ：F(x)服从正态分布 1H ：F(x)不服从正态分布 当原假设为真时，检验统计量 ~N(0,1) ~N (0,1) 对于给定的α， R ||={| >λ?| >λ} 其中14 u α - λ= 2. Jarque-Bera 检验（偏度和峰度的联合分布检验法） 检验统计量为 JB 22164n k S K -??= + ??? ()2 2χ~，JB 过大或过小时，拒绝原假设。 三、非参数检验方法 1. Kolmogorov-Smirnov 正态性检验（基于经验分布函数（ECDF ）的检验） ()()0max ||n D F x F x =- ()n F x 表示一组随机样本的累计概率函数，()0F x 表示分布的分布函数。 当原假设为真时，D 的值应较小，若过大，则怀疑原假设，从而，拒绝域为 {}R D d =>。对于给定的α，{}p P D d α=>=，又?{}n n p P D D =≥ 2. Lilliefor 正态性检验 该检验是对Kolmogorov-Smirnov 检验的修正，参数未知 时，由22??,X S μσ==可计算得检验统计量?n D 的值。 3. Shapiro-Wilk(W 检验) 检验统计量：
一、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。 以上两种方法以Q-Q图为佳，效率较高。 3、直方图 判断方法：是否以钟形分布，同时可以选择输出正态性曲线。 4、箱式图 判断方法：观测离群值和中位数。 5、茎叶图 类似与直方图，但实质不同。 二、计算法 1、偏度系数（Skewness）和峰度系数（Kurtosis） 计算公式： g1表示偏度，g2表示峰度，通过计算g1和g2及其标准误σg1及σg2然后作U 检验。两种检验同时得出U
正态分布的检验 数据的正态分布是通过Analyze -> Descriptive Statistics -> Explore来实现的，同时该命令也可以检查异常值和极值，和进行方差齐性检验（方差齐性，本节不介绍）。 打开文件data0201-protein.sav，如下图，50种树叶中粗蛋白占干重的比例， 如果检验变量protein的正态性，按Analyze -> Descriptive Statistics -> Explore打开如下对话框， 把要检验的变量送入Dependent List框（可同时检验多个变量），Factor List框是分组变量（本例中无分组变量），Label Cases by框指定一个变量作为标识变量（可忽略），Display栏指定要输出的是统计量或统计图，或同时输出。 点击Statistics按钮，打开如下左对话框，选择要输出的统计量，选项Descriptives：描述统计量，选项M-estimators：集中趋势最大似然比（可忽略），选项outliers：5个最大值和最小值，选项Percentiles：第5、10、25、50、75、90、95百分位数，点击continue回到Explore对话框， 点击Plots，打开如上右对话框，Boxplots框选择箱状图的格式，选项None：不输出箱状图，选项Factor levels together：变量按分组生成箱状图，并列输出（本
例未分组），选项Dependents together：在一个图形中生成所有变量箱状图（本例只有一个变量），Descriptive框选择输出图形的类型；选项stem-and-leaf：茎叶图，选项Histogram：直方图；Normality plots with tests栏，输出正态概率和无趋势概率图，以及统计检验结果；Spread vs Level with Levene Test栏各选项与方差齐性检验有关，本节不介绍（只有选择分组变量时，才被激活）。点击Continue，回到Explore对话框， 点击Options打开如下对话框，选择缺失值（或无效值）的处理方式（本例无缺失值），选项Exclude cases listwise：剔除所有缺失值；选项Exclude cases pairwise：成对剔除缺失值；选项Report values：将缺失值单独分为一组，放在频数表中，点击Continue， 回到Explore对话框，点击OK，输出结果，类似如下几个图， 输出有效值和缺失值， 输出平均数等各统计量，也包括数据分布的偏度和峰度， 输出5个最大值和最小值，
利用SPSS检验数据是否符合正态分布(2011-04-24 06:30:42) 正态分布也叫常态分布，在我们后面说的很多东西都需要数据呈正态分布。下面的图就是正态分布曲线，中间隆起，对称向两边下降。下面我们来看一组数据，并检验“期初平均分” 数据是否呈正态分布（此数据已在SPSS里输入好） 在SPSS里执行“分析—>描述统计—>频数统计表”(菜单见下图，英文版的可以找到相应位置)，然后弹出左边的对话框，变量选择左边的“期初平均分”，再点下面的“图表”按钮，弹出图中右边的对话框，选择“直方图”，并选中“包括正态曲线”
设置完后点“确定”，就后会出来一系列结果，包括2个表格和一个图，我们先来看看最下面的图，见下图，
上图中横坐标为期初平均分，纵坐标为分数出现的频数。从图中可以看出根据直方图绘出的曲线是很像正态分布曲线。如何证明这些数据符合正态分布呢，光看曲线还不够，还需要检验： 检验方法一：看偏度系数和峰度系数 我们把SPSS结果最上面的一个表格拿出来看看(见下图)：
偏度系数Skewness=-0.333;峰度系数Kurtosis=0.886；两个系数都小于1，可认为近似于正态分布。 检验方法二：单个样本K-S检验 在SPSS里执行“分析—>非参数检验—>单个样本K-S检验，弹出对话框，检验变量选择“期初平均分”，检验分布选择“正态分布”，然后点“确定”。 检验结果为： 从结果可以看出，K-S检验中,Z值为0.493，P值(sig 2-tailed)=0.968>0.05，因此数据呈近似正态分布 检验方法三：Q-Q图检验 在SPSS里执行“图表—>Q-Q图”，弹出对话框，见下图：
spss 数据正态分布检验 一、Z检验 二、相关系数检验 三、独立样本T检验 四、相依样本T检验 五、χ2独立性检验
一、Z检验 第一步：录入数据。 1．命名“变量视图”； 2．“数据视图”中输入数据； 第二步：进行分析。 第三步：设置变量；
第四步：得到结果：
二、相关系数检验 在一项研究中，一个学生想检查生活意义和心理健康是否相关。同意参与这项研究的30个学生测量了生活意义和心理健康。生活意义的得分围是10-70分（更高的得分表示更强的生活意义），心理健康的得分围是5-35分（更高的得分表示更健康的心理状态）。 在研究中基本的兴趣问题也可以用研究问题的方式表示，例如 例题：生活意义和心理健康相关吗？ 相关系数数据的例子 Participant Meaning in Life Well-being Participant Meaning in Life Well-being 1 35 19 2 65 27 3 1 4 19 4 3 5 35 5 65 34 6 33 34 7 54 35 8 20 28 9 25 12 10 58 21 11 30 18 12 37 25 13 51 19 14 50 25 15 30 29 16 70 31 17 25 12 18 55 20 19 61 31 20 53 25 21 60 32 22 35 12 23 35 28 24 50 20 25 39 24 26 68 34 27 56 28 28 19 12 29 56 35 30 60 35 说明：变量participant包含在数据中，但不用输入SPSS。 在spss中输入数据及分析 步骤1：生成变量 1．打开spss。 2．点击“变量视图”标签。 在spss中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为meaning和wellbeing。 3．在“变量视图”窗口前两行分别输入变量名称meaning和wellbeing。 步骤2：输入数据 1．点击“数据视图”，变量meaning和wellbeing出现在数据视图前两列。 2．将两个变量的数据分别输入。如图。 步骤3：分析数据
理论部分 正态分布是许多检验的基础，比如F检验，t检验，卡方检验等在总体不是正太分布是没有任何意义。因此，对一个样本是否来自正态总体的检验是至关重要的。当然，我们无法证明某个数据的确来自正态总体，但如果使用效率高的检验还无法否认总体是正太的检验，我们就没有理由否认那些和正太分布有关的检验有意义，下面我就对正态性检验方法进行简单的归纳和比较。 一、图示法 1. P-P图 以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，以样本值表现为直角坐标系的散点。如果数据服从正态分布，则样本点应围绕第一象限的对角线分布。 2. Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系的散点。如果数据服从正太分布，则样本点应围绕第一象限的对角线分布。 以上两种方法以Q-Q图为佳，效率较高。 3. 直方图（频率直方图） 判断方法：是否以钟型分布，同时可以选择输出正态性曲线。 4. 箱线图
判断方法：观察矩形位置和中位数,若矩形位于中间位置且中位数位于矩形的中间位置，则分布较为对称，否则是偏态分布。 5. 茎叶图 判断方法：观察图形的分布状态,是否是对称分布。 二、偏度、峰度检验法（冒牌K-S 检验法）： 1. S ，K 的极限分布 样本偏度系数() 3 32 2B S B =；该系数用于检验对称性，S>0时，分布呈正偏态，S<0时， 分布呈负偏态。 样本峰度系数() 4 2 23B K B = -；该系数用于检验峰态，K>0时为尖峰分布，S<0时为扁 平分布；当S=0，K=0时分布呈正态分布。 0H ：F(x)服从正态分布 1H ：F(x)不服从正态分布 当原假设为真时，检验统计量 ~N(0,1) ~N(0,1) 对于给定的α， R ||={| >λ?| >λ} 其中14 u α - λ= 2. Jarque-Bera 检验（偏度和峰度的联合分布检验法） 检验统计量为 JB 22164n k S K -??= + ??? ()2 2χ~，JB 过大或过小时，拒绝原假设。
检验步骤总结: 1、t检验 2、方差分析 3、卡方检验 4、秩与检验 5、相关分析 6、线性回归 1、t检验(要求数据来自正态总体,可能需要先做正态检验) （1）单一样本t检验 数据特征:单一样本变量均数与某固定已知均数进行比较 方法:ANALYZE-PARE MEANS-ONE SAMPLE t TEST （2）独立样本t检验 数据特征:两个独立、没有配对关系得样本(有专门变量表示组数) 方法:ANALYZE-PARE MEANS-INDEPENDENT SAMPLES t TEST 注意观察方差分析结果,判断查瞧得数据就是哪一行！ （3）配对样本t检验 数据特征:两个不独立得,有配对关系得样本(没有专门变量表示组数) 方法:ANALYZE-PARE MEANS-PAIRED SAMPLES t TEST 不需要方差分析结果 检验步骤: （1）正态性检验1(有同学推荐,老师没有强调,但依据理论应进行) （2）建立假设(H0:。。。。来自同一样本。H1:。。。。不来自同一样本) （3）确定检验水准 （4）计算统计量(依据上面不同样本类型选择检验方法,注意独立样本t检验要先注明方差分析结果) （5）确定概率值P （6）得出结论 2、方差分析(要求数据来自正态总体,可能需要先做正态检验) （1）单因素方差分析 数据特征:相互独立、来自正态总体、随机、方差齐性得多样本(有专门变量表示 组数,且组数大于2) 方法:ANALYZE-PARE MEANS-ONE WAY ANOVA 注意需要在options 里面选择homogeneity variance test 做方差分析 符合方差齐性才可以得出结论！(>0、1) （2）双因素方差分析 数据特征:有三列数据,1列就是主要研究因素,1列就是配伍组因素,1列就是研究 数据。 方法:GENERAL LINEAR MODEL-UNIVARIATE (注意选择model里得custom,type就是 main effect,注意把两个因素选择为fixed factor) 检验步骤: （1）正态性检验(有同学推荐,老师没有强调,但依据理论应进行) （2）建立假设(H0:。。。。来自同一样本。H1:。。。。不全来自同一样本或全不来自同一样本) 1正态性检验方法:analyze-explore-plot里面选择normality test
s p s s数据正态分布检 验 公司标准化编码 [QQX96QT-XQQB89Q8-NQQJ6Q8-MQM9N]
spss 数据正态分布检验
一、Z检验 第一步：录入数据。 1．命名“变量视图”； 2．“数据视图”中输入数据； 第二步：进行分析。 第三步：设置变量；
第四步：得到结果：
二、相关系数检验 在一项研究中，一个学生想检查生活意义和心理健康是否相关。同意参与这项研究的30个学生测量了生活意义和心理健康。生活意义的得分范围是10-70分（更高的得分表示更强的生活意义），心理健康的得分范围是5-35分（更高的得分表示更健康的心理状态）。 在研究中基本的兴趣问题也可以用研究问题的方式表示，例如 例题：生活意义和心理健康相关吗 相关系数数据的例子 Participant Meaning in Life Well-being Participant Meaning in Life Well-being 1 35 19 2 65 27 3 1 4 19 4 3 5 35 5 65 34 6 33 34 7 54 35 8 20 28 9 25 12 10 58 21 11 30 18 12 37 25 13 51 19 14 50 25 15 30 29 16 70 31 17 25 12 18 55 20 19 61 31 20 53 25 21 60 32 22 35 12 23 35 28 24 50 20 25 39 24 26 68 34 27 56 28 28 19 12 29 56 35 30 60 35 说明：变量participant包含在数据中，但不用输入SPSS。 在spss中输入数据及分析 步骤1：生成变量 1．打开spss。 2．点击“变量视图”标签。 在spss中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为meaning和wellbeing。 3．在“变量视图”窗口前两行分别输入变量名称meaning和wellbeing。 步骤2：输入数据 1．点击“数据视图”，变量meaning和wellbeing出现在数据视图前两列。 2．将两个变量的数据分别输入。如图。
spss 数据正态分布检验 Q-Q图 学习交流2009-02-08 14:40 阅读1378 评论9 字号：大中小 把自己学习spss的一点理解拿出来晒一晒，要是不对大家可以留言啊，一定要讨论啊。 要观察某一属性的一组数据是否符合正态分布，可以有两种方法（目前我知道这两种，并且这两种方法只是直观观察，不是定量的正态分布检验）： 1：在spss里的基本统计分析功能里的频数统计功能里有对某个变量各个观测值的频数直方图中可以选择绘制正态曲线。具体如下：Analyze-----Descriptive Statistics-----Freq uencies，打开频数统计对话框，在Statistics里可以选择获得各种描述性的统计量，如：均值、方差、分位数、峰度、标准差等各种描述性统计量。在Charts里可以选择显示的图形类型，其中Histograms选项为柱状图也就是我们说的直方图，同时可以选择是否绘制该组数据的正态曲线（With norma curve），这样我们可以直观观察该组数据是否大致符合正 态分布。如下图： 从上图中可以看出，该组数据基本符合正态分布。 2：正态分布的Q-Q图：在spss里的基本统计分析功能里的探索性分析里面可以通过观察数 据的q-q图来判断数据是否服从正态分布。 具体步骤如下：Analyze-----Descriptive Statistics-----Explore打开对话框，选择Pl ots选项，选择Normality plots with tests选项，可以绘制该组数据的q-q图。图的横
坐标为改变量的观测值，纵坐标为分位数。若该组数据服从正态分布，则图中的点应该靠近 图中直线。 纵坐标为分位数，是根据分布函数公式F(x)=i/n+1得出的.i为把一组数从小到大排序后第i个数据的位置，n为样本容量。若该数组服从正态分布则其q-q图应该与理论的q-q图（也就是图中的直线）基本符合。对于理论的标准正态分布，其q-q图为y=x直线。非标准正态分布的斜率为样本标准差，截距为样本均值。 如下图： 如何在spss中进行正态分布检验1(转)(2009-07-22 11:11:57) 标签：杂谈 一、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。
. spss 数据正态分布检验方法及意义判读 要观察某一属性的一组数据是否符合正态分布，可以有两种方法（目前我知道这两种，并且这两种方法只是直观观察，不是定量的正态分布检验）： 1：在spss里的基本统计分析功能里的频数统计功能里有对某个变量各个观测值的频数直方图中可以选择绘制正态曲线。具体如下：Analyze-----Descriptive Statistics-----Frequencies，打开频数统计对话框，在Statistics里可以选择获得各种描述性的统计量，如：均值、方差、分位数、峰度、标准差等各种描述性统计量。在Charts里可以选择显示的图形类型，其中Histograms 选项为柱状图也就是我们说的直方图，同时可以选择是否绘制该组数据的正态曲线（With norma curve），这样我们可以直观观察该组数据是否大致符合正态分布。如下图： 从上图中可以看出，该组数据基本符合正态分布。 2：正态分布的Q-Q图：在spss里的基本统计分析功能里的探索性分析里面可以通过观察数据的q-q图来判断数据是否服从正态分布。 具体步骤如下：Analyze-----Descriptive Statistics-----Explore打开对话框，选择Plots选项，选择Normality plots with tests选项，可以绘制该组数据的q-q图。图的横坐标为改变量的观测值，纵坐标为分位数。若该组数据服从正态分布，则图中的点应该靠近图中直线。 纵坐标为分位数，是根据分布函数公式F(x)=i/n+1得出的.i为把一组数从小到大排序后第i个数据的位置，n为样本容量。若该数组服从正态分布则其q-q图应该与理论的q-q图（也就是图中的直线）基本符合。对于理论的标准正态分布，其q-q图为y=x直线。非标准正态分布的斜率为样本标准差，截距为样本均值。 如下图： 1 / 32 .
正态性检验的方法以及在SPSS中的实现 本文将汇总正态检验常用的方法以及各种方法的适用条件和在SPSS中的实现，此外，还将提及将非正态分布转化为正态分布的方法，以及选择转化方法的依据。 一、正态检验方法 1.1观察分布，预先判断 先做直方图看看是否大概符合正态分布，Graph-->legacy dialogs-->histogram-->选入变量--》OK.如果距离正态分布的样子太远了，就不要做以下工作了。 1.2计算偏度(Skewness)和峰度(Kurtosis) ，当它们接近0时，为正态 这是一种比较直观的方法，用于初步判断。 1)在SPSS中通用菜单栏Analyze—Reports—Case Summaries分析过程Statistics的选择项中计算 偏度(Skewness)和峰度(Kurtosis) ; 2)通过Analyze—Reports—Report Summaies in Row s分析过程Report 的Summary 的选择项 计算偏度、峰度；或者通过Reprts—Report Summaries in Columns 分析过程的Summary 选择项计算偏度和峰度; 3)通过Analyze—Descriptive Statistics—Frequencies分析过程的Statistics的选择项Distribution 中计算偏度、峰度; 4)通过Analyze—Descriptive Statist ics—Descr iptives分析过程的Opt ions的选择项Distribution 中计算偏度、峰度; 5)通过Analyze—Compare means—means 分析过程的Options 的选择项Statistics 中选择统计 量Skewness (偏度)、Kurto sis (峰度)来对数据资料进行正态性检验。 附偏度和峰度统计意义: 偏度主要是研究分布形状是否对称: 约等于0 则可以认为分布是对称的；>0 则可以认为右偏态，此时在均值右边的数据更为分散；<0 则可以认为左偏态，此时在均值左边的数据更为分散。 峰度它是以正态分布为标准，比较两侧极端数据分布情况的指标： 等于0说明该变量分布的峰态正合适，不胖也不瘦（正态分布），>0 此说明该变量的分布峰态太陡峭（瘦高个）；反之，如果Kurtosis为负值，该变量的分布峰态太平缓（矮胖子）。
S P S S正态性检验方法-CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN
正态性检验方法的比较 理论部分 正态分布是许多检验的基础，比如F检验，t检验，卡方检验等在总体不是正太分布是没有任何意义。因此，对一个样本是否来自正态总体的检验是至关重要的。当然，我们无法证明某个数据的确来自正态总体，但如果使用效率高的检验还无法否认总体是正太的检验，我们就没有理由否认那些和正太分布有关的检验有意义，下面我就对正态性检验方法进行简单的归纳和比较。 一、图示法 1. P-P图 以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，以样本值表现为直角坐标系的散点。如果数据服从正态分布，则样本点应围绕第一象限的对角线分布。 2. Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系的散点。如果数据服从正太分布，则样本点应围绕第一象限的对角线分布。 以上两种方法以Q-Q图为佳，效率较高。 3. 直方图（频率直方图） 判断方法：是否以钟型分布，同时可以选择输出正态性曲线。 4. 箱线图 判断方法：观察矩形位置和中位数,若矩形位于中间位置且中位数位于矩形的中间位置，则分布较为对称，否则是偏态分布。 5. 茎叶图
判断方法：观察图形的分布状态,是否是对称分布。 二、偏度、峰度检验法（冒牌K-S 检验法）： 1. S ，K 的极限分布 样本偏度系数() 3 32 2B S B =；该系数用于检验对称性，S>0时，分布呈正偏态，S<0 时，分布呈负偏态。 样本峰度系数() 4 2 23B K B = -；该系数用于检验峰态，K>0时为尖峰分布，S<0时为 扁平分布；当S=0，K=0时分布呈正态分布。 0H ：F(x)服从正态分布 1H ：F(x)不服从正态分布 当原假设为真时，检验统计量 ~N(0,1) ~N(0,1) 对于给定的α， R ||={| >λ?| >λ} 其中14 u α - λ= 2. Jarque-Bera 检验（偏度和峰度的联合分布检验法） 检验统计量为 JB 22164n k S K -??= + ??? ()2 2χ~，JB 过大或过小时，拒绝原假设。 三、非参数检验方法 1. Kolmogorov-Smirnov 正态性检验（基于经验分布函数（ECDF ）的检验） ()()0max ||n D F x F x =- ()n F x 表示一组随机样本的累计概率函数，()0F x 表示分布的分布函数。 当原假设为真时，D 的值应较小，若过大，则怀疑原假设，从而，拒绝域为 {}R D d =>。对于给定的α，{}p P D d α=>=，又?{}n n p P D D =≥ 2. Lilliefor 正态性检验 该检验是对Kolmogorov-Smirnov 检验的修正，参数未知 时，由22??,X S μσ==可计算得检验统计量?n D 的值。
s p s s数据正态分布检验文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]
spss数据正态分布检验
一、Z检验 第一步：录入数据。 1．命名“变量视图”； 2．“数据视图”中输入数据； 第二步：进行分析。 第三步：设置变量； 第四步：得到结果：
二、相关系数检验 在一项研究中，一个学生想检查生活意义和心理健康是否相关。同意参与这项研究的30个学生测量了生活意义和心理健康。生活意义的得分范围是10-70分（更高的得分表示更强的生活意义），心理健康的得分范围是5-35分（更高的得分表示更健康的心理状态）。 在研究中基本的兴趣问题也可以用研究问题的方式表示，例如 例题：生活意义和心理健康相关吗 相关系数数据的例子 ParticipantMeaninginLifeWell-being ParticipantMeaninginLifeWell-being 13519 26527 31419 43535 56534 63334 75435 82028 92512 105821 113018 123725 135119 145025 153029 167031 172512 185520 196131 205325 216032 223512 233528 245020 253924 266834 275628 281912 295635 306035 说明：变量participant包含在数据中，但不用输入SPSS。 在spss中输入数据及分析 步骤1：生成变量 1．打开spss。 2．点击“变量视图”标签。 在spss中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为meaning和wellbeing。 3．在“变量视图”窗口前两行分别输入变量名称meaning和wellbeing。 步骤2：输入数据 1．点击“数据视图”，变量meaning和wellbeing出现在数据视图前两列。