如何：正态性检验

分析列数据

1.创建一个列数据表，以便每个数据集都在一个Y列中。
2.单击Analyze，查看Column analyses列表，然后选择正态性检验（Normality and Lognormality Tests）。
3.Prism提供了四个检验正态性的选项。 选择这些选项中的一个或多个。 您也可以选择检验对数正态性并比较正态分布和对数正态分布。

从非线性回归分析残差的正态性

残差是点与最佳拟合曲线的距离。 线性和非线性回归的假设之一是残差遵循高斯分布。 您可以使用Prism进行检验。 设置非线性回归时，请转到Diagnostics（诊断）选项卡，然后选择一项（或多项）正态性检验。

从线性回归分析残差的正态性

Prism的线性回归分析无法选择检验残差的正态性。 但是此限制很容易解决。 运行非线性回归，选择一直线模型，您将有机会选择线性检验来获得与线性回归相同的结果。 这只是使用非线性回归分析拟合直线的众多原因之一。

选择一个正态性检验

Prism提供四个正态性检验。 为什么检验正态性的方法不只一种？ 分布可以有多种偏离高斯分布的方法，因此不同的正态性检验会得出不同的结果。

我们建议使用D'Agostino-Pearson正态性检验。 它首先计算偏度和峰度，以量化分布在不对称性和形状方面与高斯的距离。 然后，计算这些值与高斯分布的预期值相差多远，并从这些差异的总和中计算出一个P值。 这是一项功能强大的通用性检验，建议您使用。 请注意，D'Agostino开发了几种正态性检验。 Prism使用的一种是“综合K2”检验。

另一种方法是Anderson-Darling检验。 它通过将数据集的累积分布与高斯分布的理想累积分布进行比较来计算P值。 它考虑了累积分布曲线各部分的差异（与Kolmogorov-Smirnov检验不同，请参见下文）。

另一选择是Shapiro-Wilk正态性检验。 我们更喜欢D'Agostino-Pearson检验，原因有两个。 原因之一是，如果每个值都是唯一的，Shapiro-Wilk检验效果很好，但是当多个值相同时，它的效果就不好。 另一个原因是检验的基础很难理解。 有几种方法可以计算Shapiro-Wilk检验。 Prism使用Royston（1）的方法。

Prism的早期版本仅提供Kolmogorov-Smirnov检验。 我们仍然提供此检验（出于一致性考虑），但不再推荐。 它从一个值计算出一个P值：数据的累积分布与累积高斯分布之间的最大差异。 这不是一种评估正态性的非常敏感的方法，我们现在同意以下说法1：“ Kolmogorov-Smirnov检验只是历史上的好奇心，永远不要使用。” （2）。 请注意，此检验和Anderson-Darling检验都比较了实际和理想的累积分布。 区别在于，Anderson-Darling会考虑曲线所有部分的差异，而Kolmogorov-Smirnov只会考虑最大的差异。

最初发布的Kolmogorov-Smirnov方法假设您知道总人口的平均值和标准差（也许来自先前的工作）。 分析数据时，您几乎不了解总体平均值和标准差。 您只知道样本的平均值和标准差。 因此，为了计算P值，Prism使用Lilliefors方法（3）的Dallal和Wilkinson近似。 由于该方法仅适用于小P值，因此Prism对于大P值仅报告“ P> 0.10”。 万一遇到任何差异，您应该知道我们已经在多年前的Prism 4.01和4.0b中修复了该检验中的一个错误。