Python中正态性检验中p值的解释

Question

我正在对我的数据进行正态性检验。通常，我期望数据是近似正态分布的（足够正态），这得到了原始值的直方图和QQ图的支持。 我已经执行了Kolmogorov-Smirnov和Shapiro-Wilk测试，这就是我感到困惑的地方。我的p值几乎为0。 Kolmogorov-Smirnov统计量=0.78，p值=0.0 Shapiro-Wilk统计量=0.99，p值=1.2e-05 这让我相信我应该拒绝零假设。 我原本认为这是由于我的均值和标准差与KS测试所假设的0和1不同，如此处所解释的，但后来在plotly的正态性测试教程中发现，对于两个测试，低p值似乎支持零假设！ plotly正态性测试教程 是否更改了测试的执行方式？还是教程页面上有错误？

- branwen85

Answer 1

在这个教程中似乎有一个错误。正如他们所说（经典定义），零假设是参考分布和被测试的分布之间没有显著差异。当p值小于您的阈值（当测试统计量大于临界值时）时，应该拒绝这个假设。在同一教程链接中，他们还说明了如何接受或拒绝零假设。

因此，我认为这是一个错误。在两个示例中，都应该拒绝没有差异的零假设，因为p值似乎小于0.05，并且测试统计量大于各自的临界值。

- Enrique

Answer 2

我刚刚从教程中下载了数据集，并通过R进行了操作。我同意你们两个的看法，他们在Shapiro测试和KS测试上的结论是错误的。

此外，在进行KS测试时，你不仅需要使用“norm”来建议分布，还需要提供参数值。事实上，ks.test(x,"pnorm", mean(x),sd(x))将给出一个0.0475的p值。这比他们声称的“0.0”更有意义，因为非参数检验在p值上比参数检验更宽松。

同时添加数据集的直方图和qqplot。

- gsun

---

谢谢！我已经在我的kstest中包含了均值和标准差，现在p值确实>0.1，表明我的数据是正态分布的。谢谢！ - branwen85