D'Agostino-Pearson检验怎么用？4类数据

引言Introduction

D’Agostino-Pearson 检验 常被用于判断连续变量是否近似正态分布，但很多医学生和科研人员卡在两个点上：什么时候该用，和检验后该怎么选统计方法。选错检验，后面的t检验、秩和检验、卡方检验都可能失准。

1. 什么是 D’Agostino-Pearson 检验

1.1 核心作用

D’Agostino-Pearson 检验本质上是正态性检验。 它通过同时考察偏度和峰度，判断一组连续数据是否符合正态分布。相比只看直方图或单独看偏度，它更适合做统计前的客观判断。

在临床研究中，很多连续变量都要先过这一关，比如年龄、血压、实验室指标、评分数据。若结果提示不服从正态分布，后续就不能默认使用参数检验。

1.2 适用场景

它主要用于连续型数据 。通常在样本量不太小、希望对分布形态做正式检验时使用。
如果数据明显偏态、存在极端值，或者样本量很小，单靠该检验不够，还应结合图形判断。

常见做法是同步查看：

• 直方图
• Q-Q图
• 偏度和峰度
• 正态性检验结果

结论要点是，D’Agostino-Pearson 检验不是替代图形判断，而是和图形一起用。

2. D’Agostino-Pearson检验怎么用

2.1 先明确你的数据类型

使用 D’Agostino-Pearson 检验 前，先确认数据是连续变量，而不是分类变量。
它不适用于二分类、无序多分类和有序多分类资料。

例如：

• 适合：血糖、BMI、胆固醇、住院天数
• 不适合：是否吸烟、病种类别、分级结局

这一步很关键。很多错误不是检验本身错，而是数据类型选错。

2.2 看P值，决定是否近似正态

D’Agostino-Pearson 检验的原假设通常是“数据服从正态分布”。
当 P > 0.05 时，通常认为没有证据拒绝正态性。
当 P ≤ 0.05 时，提示数据偏离正态分布。

但要注意，P值不是“绝对真理” 。样本量很大时，轻微偏离也可能显著；样本量很小时，真实偏离也可能检不出来。
所以临床研究里更稳妥的做法，是把统计检验和图形一起判断。

2.3 根据结果选择后续统计方法

如果 D’Agostino-Pearson 检验 提示正态分布，通常可以考虑：

• 两组比较，用独立样本 t 检验
• 配对资料，用配对 t 检验
• 多组比较，用方差分析

如果提示非正态分布，则更适合：

• 两组比较，用 Mann-Whitney U 检验
• 配对资料，用 Wilcoxon 符号秩检验
• 多组比较，用 Kruskal-Wallis 检验

真正的价值不在“检验正态”本身，而在于帮助你选对后续统计方法。

3. 4类数据对应什么检验

3.1 连续变量且服从正态分布

这是最常见的第一类。
如果连续变量通过 D’Agostino-Pearson 检验 ，且图形也支持正态，优先使用参数检验。

常用方法包括：

• 两组独立样本 t 检验
• 配对 t 检验
• 单因素方差分析

这类方法效率高，前提是分布假设基本成立。

3.2 连续变量但不服从正态分布

如果 D’Agostino-Pearson 检验 提示非正态，就不要直接套 t 检验。
更稳妥的是用非参数检验，报告中位数和四分位数更合适。

常用方法包括：

• 两独立样本的秩和检验
• 配对样本的符号秩检验
• 多组比较的秩和检验

这类数据在临床中很常见，比如住院天数、炎症指标、部分评分数据。

3.3 二分类资料

二分类资料只有两种结果，比如阳性和阴性、死亡和存活、有效和无效。
D’Agostino-Pearson 检验不用于这类数据。

这类数据通常使用：

• 卡方检验
• Fisher 精确检验
• 必要时计算率差、相对危险度或比值比

也就是说，连续变量看正态，分类变量看频数结构，不能混用。

3.4 无序多分类和有序多分类资料

无序多分类资料，比如血型、病理类型、手术方式分类。
有序多分类资料，比如轻、中、重分级。
这两类都不适合用 D’Agostino-Pearson 检验 。

常见方法包括：

• 无序多分类：卡方检验、Fisher 精确检验
• 有序多分类：趋势卡方检验、秩和检验，或有序分类回归

记住一句话，D’Agostino-Pearson 检验只服务于连续变量的正态性判断。

4. 实际使用中的常见误区

4.1 只看P值，不看图形

很多人拿到 D’Agostino-Pearson 检验 结果后，只盯着 P 值。
这不够。因为数据分布是否合理，还要看直方图和Q-Q图。

尤其在以下情况更要谨慎：

• 样本量很大
• 存在明显离群值
• 数据高度偏斜
• 数据有上下限截断

4.2 把“非正态”直接等同于“不能分析”

这也是常见误区。
非正态并不意味着数据不能做统计分析。
它只是提示你要换方法，比如改用非参数检验，或在合适情况下做变量转换。

4.3 忽视数据分组后的分布变化

同一个变量，在总体上可能近似正态。
分组后却可能变得偏态。
因此在做组间比较时，最好检查每组的分布，而不是只看总样本。

这一步尤其适合临床论文写作。因为组内分布直接影响方法选择，也影响结果解释。

5. 论文里怎么写更规范

5.1 方法部分

方法部分可以简洁写明：

• 使用 D’Agostino-Pearson 检验 进行正态性检验
• 正态分布资料以均数和标准差表示
• 非正态分布资料以中位数和四分位数表示
• 根据分布选择t检验或非参数检验

这样写符合常见医学论文规范，也方便审稿人快速判断统计策略是否合理。

5.2 结果部分

结果部分建议把分布判断和描述统计对应起来。
例如，正态数据写“均数±标准差”，非正态数据写“中位数，四分位数间距”。
不要混用表达方式。

统计方法与数据分布要一一对应，这是提升论文可信度的基础。

5.3 图表部分

表格中最好明确标注：

• 检验方法
• P值
• 数据表达方式
• 组间比较结论

如果有必要，也可补充直方图或Q-Q图，让数据分布更直观。
这对科研汇报和论文答辩都很有帮助。

总结Conclusion

D’Agostino-Pearson 检验的核心用途，是判断连续变量是否近似正态分布。
它适合服务于统计决策，但不能脱离数据类型单独使用。面对4类数据，连续正态用参数检验，连续非正态用非参数检验，二分类和多分类资料则应回到卡方、Fisher或秩和等方法。

如果你想系统掌握临床统计方法，少走选错检验的弯路，可以关注解螺旋 。它能帮你把数据类型、分布判断和检验方法快速对应起来，提升论文写作和科研分析效率。