分析擬合優度 - Shapiro-Wilk 和 Anderson-Darling p 值你好，
我對某事感到好奇。我正在使用擬合正態分佈->擬合優度檢定來查看分佈下的擬合優度，並且從我對結果的解釋中我知道，如果 p 值很小，那麼你就會拒絕原假設，並可以得出結論，數據不是正態分佈的。因此，我最初看這個列時，很明顯它不是正態分佈的（這是我所預料的）。
因此我嘗試使用 Johnson Normalize 進行規範化並用其重新運行，但沒有成功。
因此我嘗試了正態分位數方法並再次運行它。乍一看，我以為它有效，但後來我注意到 Shapiro-Wilk p 值 = 0.0027（這將保證拒絕原假設），但 Anderson-Darling p 值 = 0.1672 則不然。
問題 1：當他們發生這樣的衝突時，你會怎麼做？他們都需要提供相同的結論嗎？
問題 2：嘗試這樣的不同的規範化方法不好嗎？如果是這樣，您對文件或影片有什麼建議來幫助選擇最好的一個嗎？
基礎資料分析與建模數據探索與視覺化回覆：分析擬合優度 - Shapiro-Wilk 和 Anderson-Darling p 值1：它們發生衝突是因為它們使用了不同的數學方法。安德森·達林 (Anderson-Darling) 對尾部的偏差更為敏感。從您的圖片來看，整個正常情節看起來相當「波浪形」。因此，夏皮羅-威爾克可能會接收到尾部以外的非正常訊號。
2：不好嗎？我不知道。探索在特定情況下哪種資料轉換最有效是一種公認的策略。我不確定我是否會說它不好。然而，當它解決非正態性時，我確實更喜歡箱式考克斯變換。
但我認為整個設定更像是一場學術對話。即使這樣，為什麼常態性檢定很重要？我想說，幾乎很有可能，花在這上面的任何時間都只是額外的處理，對於商業決策來說並不是必要的。您的數據看起來像財務數字。而且還是很大的。因此非正常並不奇怪。
更多背景資訊可能會讓你獲得更多回應。
回覆：分析擬合優度 - Shapiro-Wilk 和 Anderson-Darling p 值你好@ACraig ：關於常態分位數「轉換」的說明。無論母分佈是什麼，根據定義，常態分位數「變換」總是會導致常態分佈。它是等級的函數，而不是原始資料的函數。因此，這並不是向正常狀態的適當轉變。
正如@阿韋爾什所說，背景在這裡很重要；為什麼要測試常態性？
回覆：分析擬合優度 - Shapiro-Wilk 和 Anderson-Darling p 值您好，非常感謝您的回饋！對於您的問題，我想進行一些方差分析測試。
回覆：分析擬合優度 - Shapiro-Wilk 和 Anderson-Darling p 值您是否合併了上述範例中的整個資料集？可能是子組平均值之間的差異導致了組合資料集的非常態性。如果是這種情況，則單獨檢查子群組是否符合常態性，而不是合併。
或者，您可以使用一些替代方案，例如 X-bar 和 R 圖表。或 Welch 的變異數分析。如果這是財務數據，您可能需要用 Mann-Whitney 檢定中位數而不是平均數。
回覆：分析擬合優度 - Shapiro-Wilk 和 Anderson-Darling p 值你好@ACraig ：FWIW，除了@阿韋爾什的非常好的評論之外，恆定方差（每個組的標準差都相似）比正態性更重要。
