JMP正态性检验怎么做，那个p值出来了又要怎么判断，这个事情，得先弄明白你拿去检验的到底是原始数据、分了组的数据，还是模型剩下的残差。有很多人一上来就去看那个p值，可是前面没有先看直方图、QQ图，还有那些异常的数值，最后就很容易把一个统计的结论给用错了。在JMP里面，那个最常用的正态性检验，是在Distribution这个平台里完成的，Shapiro-Wilk检验最开始的那个假设，是说数据是服从正态分布的，输出的结果里面，Prob

　　一、JMP正态性检验怎么做

　　在JMP里面做正态性检验，一般都是从Distribution平台先进去。这个平台很适合先去看一个连续变量它的分布情况，看完了以后，再决定是要按组去比较、去给数据做转换，还是去换用那种非参数的方法。

　　1、先把变量给放到分析窗口里

　　点开【Analyze】再到【Distribution】，把要检验的那个连续变量，放到Y,Columns那个框里。

　　要是你想按组来看，比如说不同的批次、不同的设备、不同的处理组，那就把用来分组的变量放到By里面，这样子JMP就会一组一组地，把分布图和检验的结果都给输出出来。这里有一个地方要留心，正态性检验它一般是针对连续型的数据的，像类别、等级、编号这一类的变量，是不太合适直接拿来就做正态性判断的。

　　2、先去看图形，然后才去看那个检验

　　在出来的结果里面，你可以先去看直方图、箱线图，还有那个正态分位图。这些图形能帮你发现数据是不是偏了，有没有拖得很长的尾巴，有没有跑出去的离群点，还有是不是那种双峰的分布。p值这个东西，它只是一个统计检验给出来的结果，要是样本量特别大，哪怕就只有一点很轻微的偏离，它也可能会变得显著；反过来，要是样本量很小，就是明显看着不大对头，它也可能查不出来。JMP社区的资料里面，也有人提醒过，做正态性判断的时候，不应该只靠一个检验的结果，在小样本的时候，正态性检验能查出问题的那个能力，本来就是有限的。

　　3、把正态性检验的结果给打开

　　在Distribution的那个报告里面，你可以去点变量标题旁边的那个红色小三角菜单，去选跟正态拟合或者检验有关系的选项，这样就能看到像Shapiro-Wilk、Anderson-Darling这些检验的结果了。不一样的JMP版本和设置下头，默认给你显示的那个检验，可能是不完全一样的，有的版本会显示Anderson-Darling，有的场景下面Shapiro-Wilk就更常见一些。要是碰到结果项对不上号的情况，不要直接就去判断是软件出错了，要先去瞧瞧当前的版本和平台是怎么设置的。

　　二、JMP正态性检验p值怎么判断

　　p值的判断，是要先把那个显著性的水平给确定下来的。大伙儿最常用的就是0.05，但这个也不是一个死的规定。在质量控制、医学研究、还有工程试验这些场景里头，有时候也会根据风险的要求，去选0.01或者是0.10。

　　1、p值要是小于0.05，通常就认为是偏离正态了

　　要是你选了α等于0.05，而且Shapiro-Wilk的那个Prob

　　2、p值大于0.05可不是就证明了是正态

　　要是p值是大于0.05的，那也只不过能说，就眼下手上这点证据，还够不上让我去拒绝正态性，可不能就说“数据一定就是正态的”。这一个点是很容易就被用错的。特别是当样本量很小的时候，检验的那个能力是很弱的，p值它可能是不显著，可是图形上面，已经能看出来有偏斜或者是不太正常的点了。所以判断的时候，是要把p值和QQ图，还有直方图，搁在一块儿去看的。要是图形看上去基本上是左右对称的，QQ图上的那些个点，也差不多是贴着那条直线在走，p值也不显著，那到了这个时候，心里头才比较有底，觉得正态的这个假设是可以被接受的。

　　3、样本量它是会影响p值的那个敏感度的

　　样本量一大了，哪怕就只有那么一丁点儿的偏离，p值也可能会变得很小；样本量一小了，就是偏得挺明显的，它也有可能没给你查出来。JMP的社区讨论里面也说过，正态性检验搁在小样本的时候，那个检出来的能力是可能会比较低的。所以讲，p值它不是那个唯一的标准。实际在去做判断的时候，还得结合着研究的目的。要是后面就只是去做一个均值的估计，样本量也够大，分布也没有歪得太厉害，那这个影响可能就不大；可要是后面要去做那种很严格的过程能力分析，或者是参数检验，那就要更小心一些了。

　　三、正态性检验没通过的话怎么办

　　正态性检验要是一下子没有通过，这可不代表说分析就停在这儿不动了。一个更加合理的做法，是先去查一查原因，然后再去决定，是不是要给数据做个转换、分个组去分析、把那些异常的数值给剔除掉，还是去改用那些非参数的方法。

　　1、先去检查一下那些异常的数值

　　去对照【Box Plot】和【Quantile Plot】这两张图，看一看里面是不是有那种很明显的，离群的数值。有些看起来不正态的情况，它其实是由录入时候的错误、单位给搞错了、设备出了异常，或者是碰上了极端的批次给造成的。要是那些异常的数值，有着明明白白的原因，那就可以照着项目里面的规矩去处理它；可要是那些异常的数值，它就是真实的数据，那就不能随随便便把它给删掉了，只能在分析的结论里面去说明。

　　2、再去想想是不是要转换数据

　　对于那些偏得比较明显的数据，是可以去试试取对数、开平方根，或者是用Box-Cox转换这些办法的。转换完了之后，是要重新再去查看一下分布，还有正态性检验的结果的，可不能觉得就转换了一次，问题就一定被解决掉了。对于那些测量出来的数值，是必须要保持用原来的单位去做解释的场景，那转换完之后的结果，也还得是能够被业务那边的人所接受的才行。

　　3、到了必要的时候，就换一种分析的方法

　　要是数据它确确实实就是不满足那个正态的假设，那就可以去想一想非参数的检验，还有那些个稳健的统计方法，或者是直接就使用那种，本来就是该跟着这个分布走的数据模型。就比如说，要是比较两组的中位数，那就可以去想一想非参数的方法；像计数、比例、还有寿命这一类的数据，也是不一定要硬往正态分布那个套子上去套的。

　　总结

　　JMP正态性检验怎么做，那个p值又要怎么去判断，一个基本的流程就是，先在Distribution平台里面，去选好那个连续变量，然后再结合着直方图、QQ图，还有像Shapiro-Wilk这样的检验结果，一块儿去下判断。p值小于0.05的时候，一般就认为是数据明显地偏离了正态；p值大于0.05的时候，这个也就只能够说明，没有足够多的证据去把正态这个说法给推掉。在判断正态性的时候，是不能只盯着p值看的，还得去瞧样本量的大小、图形长得是个什么模样、有没有异常的数值，还有后面要跟上的分析方法。检验要是没通过，就先朝着异常和分组的那个方向去查，完了再动脑筋去想想数据的转换，或者是去碰碰那些非参数的门路。