SPSS中正态分布的检验
正态分布QQ图
spss 数据正态分布检验Q-Q图2009-02-08 14:40:42| 分类：学习交流| 标签：|字号大中小订阅把自己学习spss的一点理解拿出来晒一晒，要是不对大家可以留言啊，一定要讨论啊。
要观察某一属性的一组数据是否符合正态分布，可以有两种方法（目前我知道这两种，并且这两种方法只是直观观察，不是定量的正态分布检验）：1：在spss里的基本统计分析功能里的频数统计功能里有对某个变量各个观测值的频数直方图中可以选择绘制正态曲线。
具体如下：Analyze-----Descriptive Statistics-----Frequencies，打开频数统计对话框，在Statistics里可以选择获得各种描述性的统计量，如：均值、方差、分位数、峰度、标准差等各种描述性统计量。
在Charts里可以选择显示的图形类型，其中Histograms选项为柱状图也就是我们说的直方图，同时可以选择是否绘制该组数据的正态曲线（With norma curve），这样我们可以直观观察该组数据是否大致符合正态分布。
如下图：从上图中可以看出，该组数据基本符合正态分布。
2：正态分布的Q-Q图：在spss里的基本统计分析功能里的探索性分析里面可以通过观察数据的q-q图来判断数据是否服从正态分布。
具体步骤如下：Analyze-----Descriptive Statistics-----Explore打开对话框，选择Plots选项，选择Normality plots with tests选项，可以绘制该组数据的q-q图。
图的横坐标为改变量的观测值，纵坐标为分位数。
若该组数据服从正态分布，则图中的点应该靠近图中直线。
纵坐标为分位数，是根据分布函数公式F(x)=i/n+1得出的.i为把一组数从小到大排序后第i个数据的位置，n为样本容量。
若该数组服从正态分布则其q-q图应该与理论的q-q图（也就是图中的直线）基本符合。
对于理论的标准正态分布，其q-q图为y=x直线。
SPSS学习系列19. 正态性检验
19. 正态性检验实际中，经常需要检验数据是否服从正态分布。
一、Kolmogorov-Smirnov(K - S) 单样本检验这是一种分布拟合优度检验，即将一个变量的累积分布函数与特定分布进行比较。
有数据文件：对“数学成绩”“英语成绩”做正态性检验。
1.【分析】——【非参数检验】——【单样本】，打开“单样本非参数检验”窗口，【目标】界面勾选“自动比较观察数据和假设数据”2.【字段】界面，勾选“使用定制字段分配”，将要检验的变量“数学成绩”“英语成绩”选入【检验字段】框，3. 【设置】界面，选择“自定义检验”，勾选“检验观察分布和假设分布（Kolmogorov-Smimov检验）”点【选项】，打开“Kolmogorov-Smimov检验选项”子窗口，选择“正态分布”，勾选“使用样本数据”，点【确定】回到原窗口，点【运行】得到结果说明：样本量大于50用Kolmogorov-Smirnov检验，样本量小于50用Shapiro-Wilk检验；原假设H0：服从正态分布；H1：不服从正态分布。
P值<0.05, 拒绝原假设H0；P值>0.05, 接受原假设H0, 即服从正态分布；本例中，“数学成绩”、“英语成绩”的P值都>0.05, 故服从正态分布。
双击上面结果可以看到更详细的检验结果：注：类似的操作也可以检验数据是否服从“二项、均匀、指数、泊松”等分布。
二、用“旧对话框”进行上述检验1.【分析】——【非参数检验】——【旧对话框】——【1-样本K-S】，打开“单样本Kolmogorov-Smirnov检验”窗口，将要检验的变量选入【检验变量列表】框，【检验分布】勾选“常规”，2.点【精确】，打开“精确检验”窗口，勾选“精确”，“仅渐进法”——只计算检验统计量的渐近分布的近似概率值，而不计算确切概率，适用用样本量较大，P值远离α=0.05，节省计算时间，否则可能结果偏差较大；“Monte Carlo”——利用模拟抽样方法求得P值的近似无偏估计，适合大样本数据，节省计算时间；“精确”——计算精确的概率值（P值）。
spss判断是否符合正态分布
如何对数据资料进行正态性检验:一、正态性检验：偏度和峰度1、偏度（Skewness）：描述数据分布不对称的方向及其程度（见图1）。
当偏度≈0时，可认为分布是对称的，服从正态分布；当偏度>0时，分布为右偏，即拖尾在右边，峰尖在左边，也称为正偏态；当偏度<0时，分布为左偏，即拖尾在左边，峰尖在右边，也称为负偏态；注意：数据分布的左偏或右偏，指的是数值拖尾的方向，而不是峰的位置，容易引起误解。
2、峰度（Kurtosis）：描述数据分布形态的陡缓程度（图2）。
当峰度≈0时，可认为分布的峰态合适，服从正态分布（不胖不瘦）；当峰度>0时，分布的峰态陡峭（高尖）；当峰度<0时，分布的峰态平缓（矮胖）；利用偏度和峰度进行正态性检验时，可以同时计算其相应的Z评分（Z-score），即：偏度Z-score=偏度值/标准误，峰度Z-score=峰度值/标准误。
在α=0.05的检验水平下，若Z-score在±1.96之间，则可认为资料服从正态分布。
了解偏度和峰度这两个统计量的含义很重要，在对数据进行正态转换时，需要将其作为参考，选择合适的转换方法。
3、SPSS操作方法以分析某人群BMI的分布特征为例。
(1) 方法一选择Analyze → Descriptive Statistics → Frequencies将BMI选入Variable(s)框中→点击Statistics →在Distribution框中勾选Skewness和Kurtosis(2) 方法二选择Analyze → Descriptive Statistics → Descriptives将BMI选入Variable(s)框中→点击Options →在Distribution框中勾选Skewness和Kurtosis4、结果解读在结果输出的Descriptives部分，对变量BMI进行了基本的统计描述，同时给出了其分布的偏度值0.194（标准误0.181），Z-score = 0.194/0.181 = 1.072，峰度值0.373（标准误0.360），Z-score = 0.373/0.360 = 1.036。
SPSS统计分析1：正态分布检验
正态分布检验一、正态检验的必要性[1]当对样本是否服从正态分布存在疑虑时，应先进行正态检验；如果有充分的理论依据或根据以往积累的信息可以确认总体服从正态分布时，不必进行正态检验。
当然，在正态分布存疑的情况下，也就不能采用基于正态分布前提的参数检验方法，而应采用非参数检验。
二、图示法1、P-P图以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。
如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。
2、Q-Q图以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。
如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。
以上两种方法以Q-Q图为佳，效率较高。
3、直方图判断方法：是否以钟形分布，同时可以选择输出正态性曲线。
4、箱式图判断方法：观测离群值和中位数。
5、茎叶图类似与直方图，但实质不同。
三、计算法1、峰度（Kurtosis）和偏度（Skewness）（1）概念解释峰度是描述总体中所有取值分布形态陡缓程度的统计量。
这个统计量需要与正态分布相比较，峰度为0表示该总体数据分布与正态分布的陡缓程度相同；峰度大于0表示该总体数据分布与正态分布相比较为陡峭，为尖顶峰；峰度小于0表示该总体数据分布与正态分布相比较为平坦，为平顶峰。
峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
峰度的具体计算公式为：注：SD就是标准差σ。
峰度原始定义不减3，在SPSS中为分析方便减3后与0作比较。
偏度与峰度类似，它也是描述数据分布形态的统计量，其描述的是某总体取值分布的对称性。
这个统计量同样需要与正态分布相比较，偏度为0表示其数据分布形态与正态分布的偏斜程度相同；偏度大于0表示其数据分布形态与正态分布相比为正偏或右偏，即有一条长尾巴拖在右边，数据右端有较多的极端值；偏度小于0表示其数据分布形态与正态分布相比为负偏或左偏，即有一条长尾拖在左边，数据左端有较多的极端值。
SPSS学习笔记-正态性检验
如何在spss中进行正态分布检验一、图示法1、P-P图以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。
如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。
2、Q-Q图以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。
如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。
以上两种方法以Q-Q图为佳，效率较高。
3、直方图判断方法：是否以钟形分布，同时可以选择输出正态性曲线。
4、箱式图判断方法：观测离群值和中位数。
5、茎叶图类似与直方图，但实质不同。
二、计算法1、偏度系数（Skewness）和峰度系数（Kurtosis）计算公式：g1表示偏度，g2表示峰度，通过计算g1和g2及其标准误σg1及σg2然后作U检验。
两种检验同时得出U<U0.05=1.96，即p>0.05的结论时，才可以认为该组资料服从正态分布。
由公式可见，部分文献中所说的“偏度和峰度都接近0……可以认为……近似服从正态分布”并不严谨。
2、非参数检验方法非参数检验方法包括Kolmogorov-Smirnov检验（D检验）和Shapiro- Wilk（W检验）。
SAS中规定：当样本含量n≤2000时，结果以Shapiro – Wilk（W检验）为准，当样本含量n >2000时，结果以Kolmogorov – Smirnov（D检验）为准。
SPSS中则这样规定：（1）如果指定的是非整数权重，则在加权样本大小位于3和50之间时，计算Shapiro-Wilk统计量。
对于无权重或整数权重，在加权样本大小位于3和5000之间时，计算该统计量。
由此可见，部分SPSS教材里面关于“Shapiro – Wilk适用于样本量3-50之间的数据”的说法是在是理解片面，误人子弟。
（2）单样本Kolmogorov-Smirnov检验可用于检验变量（例如income）是否为正态分布。
spss正态分布检验方法
spss正态分布检验方法SPSS正态分布检验方法。
SPSS（Statistical Package for the Social Sciences）是一种统计分析软件，广泛应用于社会科学、生物医学、教育研究等领域。
在数据分析过程中，正态分布检验是一项重要的统计方法，用于检验数据是否符合正态分布。
本文将介绍在SPSS中进行正态分布检验的方法及步骤。
SPSS正态分布检验方法主要包括两种统计检验，Shapiro-Wilk 检验和Kolmogorov-Smirnov检验。
Shapiro-Wilk检验是一种较为常用的正态性检验方法，适用于样本量较小（通常小于50）的情况。
在SPSS中，进行Shapiro-Wilk检验的步骤如下：1. 打开SPSS软件，导入需要进行正态分布检验的数据文件。
2. 选择“分析”菜单中的“描述统计”选项，然后在弹出的对话框中选择“探索性数据分析”。
3. 在“探索性数据分析”对话框中，将需要进行正态性检验的变量移动到“因子”框中。
4. 点击“统计”按钮，在弹出的对话框中勾选“Shapiro-Wil k”复选框。
5. 点击“确定”按钮，SPSS将输出Shapiro-Wilk检验的结果，包括统计量W和显著性水平。
Kolmogorov-Smirnov检验适用于样本量较大的情况，其原理是通过比较累积分布函数来检验数据是否符合正态分布。
在SPSS中进行Kolmogorov-Smirnov检验的步骤如下：1. 打开SPSS软件，导入需要进行正态分布检验的数据文件。
2. 选择“分析”菜单中的“非参数检验”选项，然后在弹出的对话框中选择“单样本K-S检验”。
3. 在“单样本K-S检验”对话框中，将需要进行正态性检验的变量移动到“测试变量列表”框中。
4. 点击“确定”按钮，SPSS将输出Kolmogorov-Smirnov检验的结果，包括统计量D和显著性水平。
在进行正态分布检验时，需要注意以下几点：1. 正态性检验是基于样本数据进行的统计推断，结果受样本量的影响。
有关多元正态分布的均值和方差检验
多元统计分析实验报告基于spss多元正态分布均值和方差的检验院（系）：专业班级：学号姓名：指导老师：成绩：完成时间：目录基于多元正态分布均值和方差的检验 (1)一、引言 (2)二、实验目的 (2)（一）掌握正态分布均值及方差检验方法 (2)（二）熟悉运用EXCEL、SPSS软件 (2)（三）培养动手操作能力 (2)（四）学会理论知识与实践相结合 (2)三、实验环境 (2)四、实验内容 (2)五、实验过程及分析 (3)（一）实验步骤 (3)1.输入数据32.正态性检验33.均值与方差的检验44.不同分类经济发展水平的比较4（二）结果分析 (4)六、实验体会 (8)基于多元正态分布均值和方差的检验摘要多元正态分布是一种多元概率分布，在多元统计学中占有相当重要的位置。
本文采用多元统计的分析方法利用SPSS实现了均值向量和协方差阵的检验，得到各指标权重系数，从而解决验证各指标是否具有显著性差异的问题。
关键词：多元正态分布，假设检验，显著差异，SPSS一、引言在基础统计学中，随机变量的正态分布在理论和实际应用中都有着重要的地位。
同样，在多元统计学中，多元正态分布也占有相当重要的位置。
原因是许多实际问题研究中的随机变量确实遵守或近似遵从多元正态分布；对于多元正态分布，已有一整套统计推断方法，并且可以得到许多完整的结果。
二、实验目的（一）掌握正态分布均值及方差检验方法（二）熟悉运用EXCEL、SPSS软件（三）培养动手操作能力（四）学会理论知识与实践相结合三、实验环境MS Excel 2016 、SPSS 21.0四、实验内容现选取内蒙古、广西、贵州、云南、西藏、宁夏、新疆、甘肃和青海等9个内陆边远省区。
选取人均GDP、第三产业比重、人均消费支出、人口自然增长率及文盲半文盲人口占15岁以上人口的比例等5项能够较好地说明各地区社会经济发展水平的指标，验证边远地区及少数民族聚居区的社会经济发展水平与全国平均水平有无显著差异。
正交试验设计的spss分析报告
上机操作6：正交试验设计的spss分析习题：有一混合水平的正交试验，A因素为葡萄品种，A1、A2、A3、A4，B因素为施肥期，有B1、B2，C因素为施肥量，有C1、C2，重复三次，采用L8(4×24)正交表，试验结果如下表，试进行分析葡萄品种施肥时期及用量实验结果解： 1.定义变量，输入数据：在变量视图中写入变量名称“产量”、“区组”、“施肥量”、“施肥期”、“品种”“处理”，宽度均为8，小数均为0。
并在数据视图依次输入变量。
2．分析过程：（1）正态分布检验：工具栏“图形”——“P-P图”，在“变量”中放入“产量”，“检验分布”为“正态”，“确定”。
（2）方差齐性检验：a.工具栏“分析”——“比较均值”——“单因素ANOVA”。
b.在“因变量”中放入“产量”，在“固定因子”中放入“品种”。
c.点击“选项”，在“统计量”中点击“方差同质性检验”，“继续”。
d.“确定”。
工具栏“分析”——“比较均值”——“单因素ANOVA”。
e.在“因变量”中放入“产量”，在“固定因子”中放入“施肥期”。
f.点击“选项”，在“统计量”中点击“方差同质性检验”，“继续”。
g.“确定”。
在“因变量”中放入“产量”，在“固定因子”中放入“施肥量”。
h.点击“选项”，在“统计量”中点击“方差同质性检验”，“继续”。
i.“确定”。
在“因变量”中放入“产量”，在“固定因子”中放入“处理”。
点击“选项”，在“统计量”中点击“描述性”和“方差同质性检验”，“继续”。
j.“确定”。
（3）显著性差异检验：a.工具栏“分析”——“常规线性模型”——“单变量”。
b.在“因变量”中放入“产量”，在“固定因子”中分别放入“施肥期”、“施肥量”、“品种”“区组”。
c.点击“模型”，“定制”，将“施肥期”、“施肥量”、“品种”、“区组”放入“模型”下。
在“建立项”中选择“主效应”，“继续”。
d.点击“两两比较”，将“施肥期”、“施肥量”、“品种”放入“两两比较检验”中，点击“假定方差齐性”中的“Duncan”。
spss 数据正态分布检验-两种方法
spss 数据正态分布检验要观察某一属性的一组数据是否符合正态分布，可以有两种方法（目前我知道这两种，并且这两种方法只是直观观察，不是定量的正态分布检验）：1：在spss里的基本统计分析功能里的频数统计功能里有对某个变量各个观测值的频数直方图中可以选择绘制正态曲线。
具体如下：Analyze-----Descriptive Statistics-----Frequencies，打开频数统计对话框，在Statistics里可以选择获得各种描述性的统计量，如：均值、方差、分位数、峰度、标准差等各种描述性统计量。
在Charts里可以选择显示的图形类型，其中Histograms选项为柱状图也就是我们说的直方图，同时可以选择是否绘制该组数据的正态曲线（With norma curve），这样我们可以直观观察该组数据是否大致符合正态分布。
如右图：从上图中可以看出，该组数据基本符合正态分布。
2：正态分布的Q-Q图：在spss里的基本统计分析功能里的探索性分析里面可以通过观察数据的q-q图来判断数据是否服从正态分布。
具体步骤如下：Analyze-----Descriptive Statistics-----Explore打开对话框，选择Plots选项，选择Normality plots with tests选项，可以绘制该组数据的q-q图。
图的横坐标为改变量的观测值，纵坐标为分位数。
若该组数据服从正态分布，则图中的点应该靠近图中直线。
纵坐标为分位数，是根据分布函数公式F(x)=i/n+1得出的.i为把一组数从小到大排序后第i个数据的位置，n为样本容量。
若该数组服从正态分布则其q-q图应该与理论的q-q图（也就是图中的直线）基本符合。
对于理论的标准正态分布，其q-q图为y=x直线。
非标准正态分布的斜率为样本标准差，截距为样本均值。
正态分布检验的3大步骤及结果处理spss
正态分布检验的3⼤步骤及结果处理spss7. NormalityBelow, I describe five steps for determining and dealing with normality. However, the bottom line is that almost no one checks their data for normality; instead they assume normality, and use the statistical tests that are based upon assumptions of normality that have more power (ability to find significant results in the data).First, what is normality A normal distribution is a symmetric bell-shaped curve defined by two things: the mean (average) and variance (variability).Second, why is normality important The central idea behind statistical inference is that as sample size increases, distributions will approximate normal. Most statistical tests rely upon the assumption that your data is “normal”. Tests that rely upon the assumption or normality are called parametric tests. If your data is not normal, then you would use statistical tests that do not rely upon the assumption of normality, call non-parametric tests. Non-parametric tests are less powerful than parametric tests, which means the non-parametric tests have less ability to detect real differences or variability in your data. In other words, you want to conduct parametric tests because you want to increase your chances of finding significant results.Third, how do you determine whether data are “normal” There are three interrelated approaches to determine normality, and all three should be conducted.First, look at a histogram with the normal curve superimposed. A histogram provides useful graphical representation of the data. SPSS can also superimpose the theoretical “normal” distribution onto the histogram of your data so that you can compare your data to the normal curve. To obtain a histogram with thesuperimposed normal curve:1. Select Analyze --> Descriptive Statistics --> Frequencies.2. Move all variables into the “Variable(s)” window.3. Click “Charts”, and click “Histogram, with normal curve”.4. Click OK.Output below is for “system1”. Notice the bell-shaped black line superimposed on the distribution.All samples deviate somewhat from normal, so the question is how much deviation from the black line indicates “non-normality”? Unfortunately, graphical representations like histogram provide no hard-and-fast rules. After you have viewed many (many!) histograms, over time you will get a sense for the normality of data. In my view, the histogram for “system1” shows a fairly normal distribution.Second, look at the values of Skewness and Kurtosis. Skewness involves the symmetry of the distribution.Skewness that is normal involves a perfectly symmetric distribution. A positively skewed distribution has scores clustered to the left, with the tail extending to the right. A negatively skewed distribution has scores clustered to the right, with the tail extending to the left. Kurtosis involves the peakedness of the distribution.Kurtosis that is normal involves a distribution that is bell-shaped and not too peaked or flat. Positive kurtosis is indicated by a peak. Negative kurtosis is indicated by a flat distribution. Descriptive statistics about skewness and kurtosis can be found by using either the Frequencies, Descriptives, or Explore commands. I like to use the “Explore” command because it provides other useful information about normality, so1. Select Analyze --> Descriptive Statistics --> Explore.2. Move all variables into the “Variable(s)” window.3. Click “Plots”, and un click “Stem-and-leaf”4. Click OK.Descriptives box tells you descriptive statistics about the variable, including the value of Skewness and Kurtosis, with accompanying standard error for each. Both Skewness and Kurtosis are 0 in a normaldistribution, so the farther away from 0, the more non-normal the distribution. The question is “how much”skew or kurtosis render the data non-normal? This is an arbitrary determination, and sometimes difficult to interpret using the values of Skewness and Kurtosis. Luckily, there are more objective tests of normality, described next.Third, the descriptive statistics for Skewness and Kurtosis are not as informative as established tests for normality that take into account both Skewness and Kurtosis simultaneously. The Kolmogorov-Smirnov test (K-S) and Shapiro-Wilk (S-W) test are designed to test normality by comparing your data to a normaldistribution with the same mean and standard deviation of your sample:1. Select Analyze --> Descriptive Statistics --> Explore.2. Move all variables into the “Variable(s)” window.3. Click “Plots”, and un click “Stem-and-leaf”, and click “Normality plots with tests”.4. Click OK.“Test of Normality” box gives the K-S and S-W test results. If the test is NOT significant, then the data are normal, so any value above .05 indicates normality. If the test is significant (less than .05), then the data are non-normal. In this case, both tests indicate the data are non-normal. However, one limitation of the normality tests is that the larger the sample size, the more likely to get significant results. Thus, you may get significant results with only slight deviations from normality. In this case, our sample size is large (n=327) so thesignificance of the K-S and S-W tests may only indicate slight deviations from normality. You need to eyeball your data (using histograms) to determine for yourself if the data rise to the level of non-normal.“Normal Q-Q Plot” provides a graphical way to determine the level of normality. The black line indicates the values your sample should adhere to if the distribution was normal. The dots are your actual data. If the dots fall exactly on the black line, then your data are normal. If they deviate from the black line, your data are non-normal. In this case, you can see substantial deviation from the straight black line.Fourth, if your data are non-normal, what are your options to deal with non-normality You have four basic options.a.Option 1 is to leave your data non-normal, and conduct the parametric tests that rely upon theassumptions of normality. Just because your data are non-normal, does not instantly invalidate theparametric tests. Normality (versus non-normality) is a matter of degrees, not a strict cut-off point.Slight deviations from normality may render the parametric tests only slightly inaccurate. The issue isthe degree to which the data are non-normal.b.Option 2 is to leave your data non-normal, and conduct the non-parametric tests designed for non-normal data.c.Option 3 is to conduct “robust” tests. There is a growing branch of statistics called “robust” tests thatare just as powerful as parametric tests but account for non-normality of the data.d.Option 4 is to transform the data. Transforming your data involving using mathematical formulas tomodify the data into normality.Fifth, how do you transform your data into “normal” data There are different types of transformations based upon the type of non-normality. For example, see handout “Figure 8.1” on the last page of this document that shows six types of non-normality (e.g., 3 positive skew that are moderate, substantial, and severe; 3 negative skew that are moderate, substantial, and severe). Figure 8.1 also shows the type of transformation for each type of non-normality. Transforming the data involves using the “Compute” function to create a new variable (the new variable is the old variable transformed by the mathematical formula):1. Select Transform --> Compute Variable2. Type the name of the new variable you wan t to create, such as “transform_system1”.3. Select the type of transformation from the “Functions” list, and double-click.4. Move the (non-normal) variable name into the place of the question mark “?”.5. Click OK.The new variable is reproduced in the last column in the “Data view”.Now, check that the variable is normal by using the tests described above.If the variable is normal, then you can start conducting statistical analyses of that variable.If the variable is non-normal, then try other transformations.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、图示法
1、P-P图
以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。
如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。
2、Q-Q图
以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。
如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。
以上两种方法以Q-Q图为佳，效率较高。
3、直方图
判断方法：是否以钟形分布，同时可以选择输出正态性曲线。
4、箱式图
判断方法：观测离群值和中位数。
5、茎叶图
类似与直方图，但实质不同。
二、计算法
1、偏度系数（Skewness）和峰度系数（Kurtosis）
计算公式：
g1表示偏度，g2表示峰度，通过计算g1和g2及其标准误σg1及σg2然后作U 检验。
两种检验同时得出U<U0.05=1.96，即p>0.05的结论时，才可以认为该组资料服从正态分布。
由公式可见，部分文献中所说的“偏度和峰度都接近0……可以认为……近似服从正态分布”并不严谨。
2、非参数检验方法
非参数检验方法包括Kolmogorov-Smirnov检验（D检验）和Shapiro- Wilk（W 检验）。
SAS中规定：当样本含量n≤2000时，结果以Shapiro – Wilk（W检验）为准，当样本含量n >2000时，结果以Kolmogorov – Smirnov（D检验）为准。
SPSS中则这样规定：（1）如果指定的是非整数权重，则在加权样本大小位于3和50之间时，计算Shapiro-Wilk统计量。
对于无权重或整数权重，在加权样本大小位于3和5000之间时，计算该统计量。
由此可见，部分SPSS教材里面关于“Shapiro – Wilk适用于样本量3-50之间的数据”的说法是在是理解片面，误人子弟。
（2）单样本Kolmogorov-Smirnov检验可用于检验变量（例如income）是否为正态分布。
对于此两种检验，如果P值大于0.05，表明资料服从正态分布。
三、SPSS操作示例
SPSS中有很多操作可以进行正态检验，在此只介绍最主要和最全面最方便的操作：
1、工具栏--分析—描述性统计—探索性
2、选择要分析的变量，选入因变量框内，然后点选图表，设置输出茎叶图和直方图，选择输出正态性检验图表，注意显示（Display）要选择双项（Both）。
3、Output结果
（1）Descriptives：描述中有峰度系数和偏度系数，根据上述判断标准，数据不符合正态分布。
S k=0，K u=0时，分布呈正态，Sk>0时，分布呈正偏态，Sk<0时，分布呈负偏态，时，Ku>0曲线比较陡峭，Ku<0时曲线比较平坦。
由此可判断本数据分布为正偏态（朝左偏），较陡峭。
（2）Tests of Normality：D检验和W检验均显示数据不服从正态分布，当然在此，数据样本量为1000，应以W检验为准。
（3）直方图
直方图验证了上述检验结果。
（4）此外还有茎叶图、P-P图、Q-Q图、箱式图等输出结果，不再赘述。
结果同样验证数据不符合正态分布。