正態性測試我想獲得發行版的夏皮羅威爾克斯檢驗，但我無法獲得。 我嘗試了有關遺留裝配工的討論中發布的方法。 那隻給了我 KSL 測試。 否則，如果我不使用傳統的裝配工，它會給我安德森-達林測試。 我的樣本量非常大，>30k，不確定這是否與此有關。 謝謝你的幫助
數據探索和可視化回复：正態性測試我們所教授的大多數統計學都是 80-100 年前開發的，當時小樣本是普遍現象。 所以問題是，“我可以從小樣本中令人信服地學到什麼或做出什麼決定？” 推理技術從那時起就開始了。 這樣的情況仍然存在（例如，沒有可用數據，需要實驗......），但25年前出現了新的情況。 我們現在有大量的數據庫可供學習。 推斷是沒有意義的。 一切都具有統計顯著性。 也就是說，即使是最小的差異或最小的參數估計也具有統計顯著性。 因此，預測建模並不試圖推斷重要性。 相反，重點是通過特徵/模型選擇來預測性能。 這是一個不同的挑戰，需要不同的心態。
另外，在這種特定情況下，為什麼假設服從正態分佈？ 什麼應該是正態分佈的？ 數據？ 一個估計？ 非正態性的後果是什麼？ 需要偏離正常程度多少才能影響結果或決定？ 該方法的穩健性如何？
回复：正態性測試謝謝@馬克貝利對於這個評論。 對於所有統計顯著性檢驗來說，這是非常重要的一點。不幸的是，太多人只關注 p 值，而不考慮視覺效果或係數的大小。 在某些研究領域，通過使用最小樣本量來檢測實際有意義的差異，可以部分避免這種情況。
然而，很難向包括審稿人和研究人員在內的一些人解釋，很容易獲得毫無意義的統計顯著性。
回复：正態性測試您的大樣本 N > 30,000 會導致檢測到非正態特徵（偏離理想的正態 CDF），這些特徵可能具有統計顯著性，但實際上並不重要。
回复：正態性測試@tonya_mauldin當第一次進行更改時，很好地解釋了這一點JMP 博客文章。
回复：正態性測試我對如何解釋它感到困惑。 我的大約 50 個變量的所有 Anderson-Darling p 值都很顯著，但其中許多變量的分佈看起來很正常......
回复：正態性測試Anderson-Darling 是一種更強大的測試，也是我們建議使用的測試。
回复：正態性測試感謝您的留言。 那麼，在 KSL 和 Anderson-Darling 之間，哪個測試可以很好地替代 Shapiro Wilks？
回复：正態性測試對於傳統分佈，當樣本量小於或等於 2000 時，會報告 Shapiro-Wilk 正態性檢驗。 KSL 檢驗針對大於 2000 的樣本進行計算。當樣本量較大時，Shapiro-Wilk 檢驗的功效較大。 因此，分佈與原假設之間的任何微小差異都是有意義的，並會導致拒絕原假設。
