1.非参数检验法
进行正态性检验是一种非参数检验方法，其原假设是“样本所来自的总体与正态分布无显著性差异”，只有当P>0.05时才能够接受原假设，从而认为数据符合正态分布的特征。一般常见的正态性检验包括柯尔莫戈洛夫-斯米诺夫检验（K-S检验）和夏皮-威尔克检验（S-W检验），其中K-S检验适用于大样本量数据（SPSS规定样本量>5000），而S-W检验适用于小样本量数据（SPSS规定样本量<5000）。当正态性检验结果的P<0.05时，通常认为数据不符合正态分布。
从上表可知，训练自觉性的正态性检验结果的统计量为0.956，P值为0.000，并不满足数据呈现正态分布的条件（P>0.05），故初步判断该数据可能呈现非正态。但是研究者认为，S-W和K-S检验结果受到样本量的影响较大，当样本量较少的时候，检验结果不够敏感，即使数据分布有一定的偏离也不一定能检验出来[103]；而当样本量较大的时候，检验结果又会太过敏感，只要数据稍微有一点偏离，P值就会<0.05，检验结果倾向于拒绝原假设，认为数据不服从正态分布。
这说明，如果样本量足够多，即使检验结果P>0.05，数据来自的总体也可能是服从正态分布的。因此，可能就要图形法、偏度和峰度法进一步判断数据是否呈现正态分布：
2.峰度和偏度判断法
峰度（K）是用于判定数据分布的陡缓程度；偏度（S）主要用于判定数据的对称性，整体数据偏左还是偏右。当k≈0，S≈0时，说明数据是服从正态分布的。实际上，数据很难能满足S≈0，K≈0，因此，可采用K系数与S系数来检验，检验公式如下：
如表5.17所示，偏度（S）系数计算结果为-1.03，峰度（K）系数计算结果为1.52，由以上结果可知，偏度系数和峰度系数的绝对值满足小于1.96的正态分布条件，因此可以认为该组样本数据符合正态分布。
3.图形法
图形法主要通过直方图、Q-Q图、P-P图来判断数据的正态分布情况：
（1）直方图
样本数据呈现正态分布的直方图形状一般为“倒钟型”，即数据样本量呈现“中间多、两边少、左右对称”的特征，如上图所示，训练自觉性的样本量呈现形状并不能很好的贴合正态分布曲线，故认为训练自觉性的正态直方图并不能反映其数据分布的正态性；
（2）正态Q-Q图
Q-Q图反映了变量的实际分布与理论正态分布的符合程度，可以用来考察数据是否服从某种分布类型。若数据服从正态分布，则数据点应与理论直线基本重合。如图所示，训练自觉性一部分位点偏离了直线，说明该连续数据并不能很好地服从正态分布。
（3）P-P图
P-P图反映了变量的实际累积概率与理论累积概率的符合程度，可以用来考察数据是否服从某种分布类型。如图5.8所示，训练自觉性一部分位点偏离了直线，说明该连续数据并不能很好地服从正态分布。
综上，非参数检验法、偏度和峰度判断法、图形法三种检验方法可以帮助我们综合判断数据是否服从正态分布。若不服从正态分布，则需要只能进行非参数分析。
下篇推文分享以上方法的具体实操步骤，喜欢就点个关注吧
