偏度峰度正态性判断：5步怎么做？

引言Introduction

偏度峰度正态性判断，是临床统计里最常被忽略，却最容易影响后续分析的一步。很多人拿到数据就直接做 t 检验或方差分析，结果方法选错，结论也可能失真。先判断正态性，再决定统计方法，是数据分析的基本前提。

1. 为什么要先做偏度峰度正态性判断

1.1 正态性决定方法选择

在临床研究中，t检验、单因素方差分析、配对 t 检验等方法，都要求样本数据来自的总体服从或近似服从正态分布 。如果这一步判断错误，后续参数检验的前提就不成立。

这也是偏度峰度正态性判断的价值所在。它不是为了“好看”，而是为了帮助你选对统计方法。对连续型资料，尤其是身高、实验指标、评分、浓度等变量，正态性判断几乎是第一步。

1.2 图示法和检验法各有用途

正态性检验通常分为两类。

• 图示法。直方图、Q-Q图、P-P图、茎叶图。
• 假设检验法。Shapiro-Wilk 检验，Kolmogorov-Smirnov 检验，偏度系数和峰度系数检验等。

图示法更直观，检验法更客观。 实际工作中，建议两者结合使用，不要只看一个结果就下结论。

2. 第一步：先看直方图是否呈钟形

2.1 直方图是最直观的起点

直方图最适合快速筛查。若数据形态表现为中间高、两边低 ，整体接近钟形分布，通常提示数据可能近似正态。

这一步的意义在于先建立初步判断。尤其当样本量较大时，统计检验可能对轻微偏离过度敏感，图示法反而更能反映实际分布形态。

2.2 注意不要只靠主观印象

直方图的缺点是主观性较强。同一张图，不同人可能得出不同判断。所以直方图只能作为第一步，不能单独替代完整分析。

如果你在 SPSS 中作图，最好同时加上正态曲线。这样更容易观察数据是否围绕理论正态曲线分布。一旦明显偏斜、双峰或尾部过长，就要警惕非正态分布。

3. 第二步：结合偏度和峰度做量化判断

3.1 偏度反映左右是否对称

偏度描述分布是否偏左或偏右。

• 偏度接近 0，提示分布较对称。
• 偏度大于 0，通常表示右偏。
• 偏度小于 0，通常表示左偏。

从临床数据经验看，很多计量资料并不完全对称，轻度偏斜很常见。关键不是“是否绝对为 0”，而是偏离程度是否明显。

3.2 峰度反映分布是否过尖或过平

峰度描述分布的峰顶和尾部特征。

• 峰度接近 0，提示分布形态接近标准正态。
• 峰度过高，分布可能更尖。
• 峰度过低，分布可能更平。

在 SPSS 中，常会同时给出偏度、峰度及其标准误。部分教程会进一步计算 Z 值。一般来说，在 α=0.05 水平下，若 Z 值绝对值大于 1.96，可提示偏度或峰度显著不为 0。但这个方法在小样本时更有参考价值，大样本可能出现偏差。

3.3 不能只盯着一个数值

偏度峰度正态性判断的核心，不是机械背公式，而是综合看。

• 图形是否整体对称。
• 偏度是否明显偏离 0。
• 峰度是否异常尖峭或扁平。
• 是否存在离群值影响尾部。

数值和图形互相验证，结论才更稳妥。

4. 第三步：看Q-Q图和P-P图是否贴近直线

4.1 Q-Q图最适合观察分位数偏离

Q-Q图以分位数为坐标。如果数据服从正态分布，点应大致落在 45 度参考线附近。
如果点在两端明显偏离，提示尾部问题。
如果中间尚可、两端偏离明显，常见于重尾或轻尾分布。

Q-Q图比单纯看直方图更敏感。 它对整体分布形态的判断更细致，尤其适用于样本量中等的研究数据。

4.2 P-P图也可作为补充

P-P图关注的是累积比例与理论分布的匹配程度。两者用途接近。若散点大致沿对角线分布，说明数据与正态分布接近。

在实际论文写作中，很多人只写“经正态性检验符合正态分布”，但没有说明依据。更规范的做法是写明：直方图呈钟形，Q-Q图散点接近直线，SW检验 P 值大于 0.05。 这样更符合 E-E-A-T 对证据链完整性的要求。

5. 第四步：用SW或KS检验给出统计学结论

5.1 原假设要先讲清楚

正态性假设检验的原假设通常是：
样本来自的总体与正态分布没有显著差异。

也就是说，P 值不是“越大越好”，而是用来判断是否拒绝这个假设。一般当 P＞0.05 时，不拒绝原假设，可认为数据服从或近似服从正态分布。

5.2 小样本看SW，大样本看KS

根据常用统计软件的处理习惯：

• Shapiro-Wilk 检验适用于样本量较小的情况，SPSS中通常为 n≤5000。
• Kolmogorov-Smirnov 检验适用于样本量较大的情况，SPSS中通常为 n＞5000。

如果你的样本量只有 10、20、50，优先看 SW 检验更合适。若样本量很大，KS 检验更常用。但要注意，大样本下即使偏离很轻，P 值也可能显著，这时图示法尤其重要。

5.3 临床研究里最常见的误区

最常见的错误有两个。

1. 只看 P 值，不看图形。
2. 样本很大时，看到 P＜0.05 就直接认定“完全不正态”。

实际上，大样本中轻微偏离也容易被检出，但这不等于数据完全不能用于参数分析。 是否采用参数检验，还要结合偏离程度、样本量和研究目的判断。

6. 第五步：根据结果选择后续统计方法

6.1 正态数据怎么处理

如果偏度峰度正态性判断提示数据近似正态，且图形支持这一结论，通常可以考虑参数检验。常见描述方式是：

• 均值 ± 标准差。
• t 检验。
• 方差分析。

这类方法对正态性要求较高，但在条件满足时，统计效能通常更好。

6.2 非正态数据怎么处理

如果数据明显偏态、Q-Q图偏离明显，或偏度峰度结果提示异常，则应考虑非参数方法。
常见描述方式是：

• 中位数，四分位数间距。
• Mann-Whitney U 检验。
• Wilcoxon 符号秩检验。
• Kruskal-Wallis 检验。

正确的正态性判断，直接决定你该用均值还是中位数，t 检验还是非参数检验。

6.3 一套实用流程

你可以按下面 5 步完成判断：

1. 先看直方图。
2. 再看偏度和峰度。
3. 结合 Q-Q 图或 P-P 图。
4. 用 SW 或 KS 检验给出 P 值。
5. 最后决定用参数还是非参数方法。

这个流程简单，但足够实用。对于医学生、医生和科研人员来说，这是最容易落地的标准化做法。

总结Conclusion

偏度峰度正态性判断，本质上是为了让统计分析建立在正确前提上。先判断分布，再选择方法，才能避免“方法对了，前提错了”的低级错误。
实际工作中，建议你按“直方图, 偏度峰度, Q-Q图, SW/KS检验, 统计方法选择”这 5 步走，判断会更稳。

如果你希望把这套流程做得更规范、更高效，可以借助解螺旋的临床研究与统计内容体系，快速掌握数据清洗、正态性判断和方法选择。让偏度峰度正态性判断不再靠感觉，而是靠标准流程。