医学数据分析必读：数据正态性检验的原理与应用

引言Introduction

在医学数据分析中，数据正态性判断 几乎决定了后续统计方法的选择。很多人一开始就做t检验或方差分析，结果却因为数据分布不合适而得出错误结论。先判断正态性，再决定统计方法，是临床研究中最基本也最容易被忽视的一步。

1. 为什么医学数据分析必须先做正态性检验

1.1 正态性决定能否使用参数检验

在临床研究中，连续型变量最常见。比如血红蛋白、CRP、ALP、住院天数等。
如果数据近似服从正态分布，均数和标准差更适合描述，t检验和方差分析也更适用。
如果数据明显偏态，则通常要改用中位数、四分位间距，或者使用非参数检验。

很多常用方法都依赖正态性前提，包括：

• 单样本t检验
• 独立样本t检验
• 配对样本t检验
• 方差分析

这意味着，数据正态性判断不是附加步骤，而是统计分析的入口。

1.2 忽略正态性会带来什么问题

如果不做检验，直接套用参数方法，可能出现两类问题。
第一，统计结论不可靠。
第二，论文中的数据表达方式也会错误。

例如，非正态数据如果被写成均数±标准差，会误导读者。
相反，对正态数据使用中位数和四分位间距，也会降低信息表达效率。

从科研角度看，正态性检验的核心价值在于两点：

1. 选择正确的统计学方法。
2. 提高结果报告的规范性和可信度。

2. 数据正态性判断有哪些方法

2.1 图示法更直观

正态性检验通常分为两大类，图示法和假设检验法。
图示法的优势是直观，适合初筛。常见方法包括：

• 直方图
• Q-Q图
• P-P图
• 茎叶图

其中，直方图最容易上手。 如果数据呈中间高、两边低的钟形分布，通常提示接近正态。
但要注意，这只是经验判断，不是严格证明。

茎叶图也很有帮助。它能保留原始数值信息，尤其适合小样本。
如果叶的分布也呈现出中间集中、两端稀疏的形态，往往支持正态性假设。

Q-Q图和P-P图则更适合观察样本分布与理论正态分布的贴合程度。
如果散点大致沿45度参考线排列，说明数据可能接近正态。

2.2 假设检验法更客观

图示法虽然直观，但主观性较强。
同一张图，不同研究者的判断可能并不一致。
因此，临床统计中更常用的是假设检验法。

常见方法包括：

• Shapiro-Wilk检验，简称SW检验
• Kolmogorov-Smirnov检验，简称KS检验
• 偏度和峰度检验
• Pearson卡方检验

在实际应用中，SW检验和KS检验最常见。
它们都属于通过P值判断是否拒绝“样本来自正态分布总体”这一原假设的方法。

一般来说，P值大于0.05，提示不能拒绝正态性假设，可认为数据近似服从正态分布。
若P值小于或等于0.05，则提示数据可能偏离正态。

3. 如何正确解读正态性检验结果

3.1 先看样本量，再选检验方法

SW检验和KS检验都能用于正态性判断，但适用场景不同。
通常在SPSS中：

• SW检验更适合小样本，样本量≤5000
• KS检验更适合大样本，样本量＞5000

这一区分很重要。
因为在小样本中，SW检验通常更敏感，也更常被推荐。
在大样本中，KS检验更常用于辅助判断。

需要强调的是，样本量越大，正态性检验越容易出现P值显著。
这并不一定代表数据“严重异常”，而可能只是检验过于敏感。
所以，大样本研究不能只盯着P值，还要结合图示法一起判断。

3.2 不能只看P值，还要看分布形态

正态性判断不是机械地看一行数值。
更稳妥的做法是把图示法和假设检验结合起来。

推荐的判断顺序是：

1. 先看直方图，判断是否接近钟形。
2. 再看Q-Q图或P-P图，观察点是否接近参考线。
3. 最后看SW或KS检验的P值。

如果图形支持正态，且P值大于0.05，通常可以认为数据近似正态。
如果图形明显偏斜，或者尾部离散很大，即使P值未显著，也要谨慎解释。

3.3 一个临床案例更容易理解

以牙周病患者治疗前后牙龈沟液ALP差值为例。
样本量只有10例，属于小样本。
此时应优先参考SW检验。

如果结果显示：

• 直方图呈中间高、两边低
• Q-Q图散点大致沿对角线分布
• SW检验P值＞0.05

那么可以判断：该组数据近似服从正态分布。
这时后续若是两组比较，就可考虑t检验；若是配对前后比较，也可考虑配对t检验。

4. 正态性检验结果会怎样影响后续统计分析

4.1 正态数据与非正态数据的处理方式不同

正态性判断完成后，下一步就是选择统计方法。
这是临床统计分析真正的分水岭。

如果数据正态，常见处理方式是：

• 计量资料用均数±标准差表示
• 两组比较用t检验
• 多组比较用方差分析

如果数据非正态，常见处理方式是：

• 计量资料用中位数和四分位间距表示
• 两组比较用秩和检验
• 多组比较用非参数检验

也就是说，正态性判断直接影响统计描述、统计推断和结果呈现。

4.2 非正态不代表不能分析

很多初学者会误以为，数据一旦不正态就“没法做统计”。
其实不是。
非正态数据一样可以分析，只是方法不同。

非参数检验适用于非正态数据，也适用于等级资料。
它的优点是对分布要求低。
但缺点也明显，检验效能通常低于参数检验。

因此，在可行的情况下，研究者常会考虑对非正态数据进行转换，如对数转换、平方根转换等，使其尽量接近正态分布。
这样有助于使用参数检验，提升分析效能。
不过，数据转换必须谨慎，不能为了“变正态”而违背数据本身含义。

5. SPSS中进行正态性检验的实操思路

5.1 常用路径是“探索”

在SPSS中，进行正态性检验最常用的入口是“分析”菜单下的“描述统计”再到“探索”。
进入后，将变量放入因变量框，并勾选：

• 直方图
• 茎叶图
• 含检验的正态图

这样通常可以一次性获得图示法和SW、KS检验结果。
这是临床研究中最实用的操作路径。

5.2 结果解读要按顺序进行

拿到SPSS输出后，建议按以下顺序解读：

1. 先看直方图是否呈钟形。
2. 再看茎叶图是否中间集中、两端稀疏。
3. 再看Q-Q图或P-P图是否接近直线。
4. 最后看SW或KS的P值。

如果这些证据一致，判断就更稳妥。
如果图形和P值不一致，要结合样本量与数据特点综合判断。
不要只凭一项结果下结论。

5.3 小样本和大样本的判断策略不同

小样本时，图示法和SW检验更重要。
因为样本太少时，统计检验的稳定性有限。
大样本时，检验更敏感，图示法反而更关键。

这也是为什么很多方法学课程会强调：
大样本研究中，不能机械依赖P值判断正态性。
要结合图形、分布特征和研究背景综合判断。

总结Conclusion

医学数据分析中，数据正态性判断是选择统计方法的前提。
它决定了你是使用t检验还是秩和检验，是报告均数±标准差，还是中位数和四分位间距。
对于医学生、医生和科研人员来说，掌握正态性检验，不只是会做SPSS操作，更是建立正确统计思维的基础。

如果你希望系统掌握临床研究中的数据处理、统计分析和结果表达，可以进一步关注解螺旋 。我们会持续提供更贴近实战的科研方法内容，帮助你把复杂统计问题变成清晰、可执行的分析流程。