为什么要做方差齐性和正态检验 很多时候，我们都需要使用从单一样本中获取的样本信息利用统计推断的方法来估计总体的参数信息，这是一种非常有用的统计方法，但在执行相关推断之前，我们需要验证一些假定，任何一条假定若是不能满足，则得到的统计结论就是无效的。通常数据的分析假设为：随机数据，独立的，正态分布，等方差，稳定，当然，测量系统的精确性和准确性也是要满足测量要求的。什么是正态分布假定？在再进行统计分析之前，需要识别出数据的分布，否则，错误的统计检验将带来一定的风险，许多统计方法在执行之前嘉定数据服从正态分布，比如，单/双样本-T检验，过程能力分析，I－MR和方差分析等。如果数据不满足正态分布，则需要使用非参数方法，利用中位数进行检验而不是均值，也可以使用BOX－COX转换或JOHNSON变换的方法把数据转换为正态分布。但是需要知道许多统计工具虽然假定数据满足正态但实际上当样本量大于15或20的时候就不需要正态分布了，但是如果样本量小于15且数据不满足正态分布，P值得数据就是错误的，相关统计结论就需要特别注意了。在Minitab中，有许多方法可以判断数据的分布是否满足正态，下面我们来了解两种比较常用的方法：正态检验和图形化汇总Minitab的正态检验将。
为什么要检验数据的正态性 有些统计方法只适用于正态分布或近似32313133353236313431303231363533e78988e69d8331333431363635正态分布资料，如用均数和标准差描述资料的集中或离散情况，用正态分布法确定正常值范围及用t检验两均数间相差是否显著等，因此在用这些方法前，需考虑进行正检验。它是统计判决中重要的一种特殊的拟合优度假设检验。常用的正态性检验方法有正态概率纸法、夏皮罗维尔克检验法(Shapiro-Wilktest)，科尔莫戈罗夫检验法，偏度-峰度检验法等。扩展资料检验特点设X？，X？，.，X？表示来自总体的样本，表示样本均值，表示 i 阶样本中心矩。正态分布的偏度和峰度均为 0，其中偏度和峰度的定义分别为该检验就是根据这个特点来检验分布正态性的。三种检验方法1、Anderson-Darling选择此项将执行正态性的Anderson-Darling检验，这是一种基于ECDF（经验累积分布函数）的检验。2、Ryan-Joiner选择此项将执行Ryan-Joiner检验，它类似于Shapiro-Wilk检验。Ryan-Joiner检验是一种基于相关的检验。3、Kolmogorov-Smirnov选择此项将执行正态性的Kolmogorov-Smirnov检验，这是一种基于ECDF的检验。参考资料来源：-正态性检验参考资料来源：-正检验参考资料。
为什么用spss的两种方法对同一样本进行正态性检验结果不同？ 两者检验公式不一样的，具体的公式你看看spss的说明一般用非参数这个来做不要用explore来做我经常帮别人做这类的数据统计分析
