数据的统计处理和解释正态样本离群值的判断和处理
数据的统计处理和解释正态样本离群值的判断和处理
数据的统计处理和解释可以使用各种方法，包括描述统计、概率分布拟合和假设检验等。下面是一些常见的方法和技术。
1. 描述统计：描述统计是一种简单但有效的数据统计处理方法。它包括计算样本的均值、中位数、标准差和百分位数等指标，以了解数据的集中趋势和分散程度。
2. 概率分布拟合：通过拟合常见的概率分布，如正态分布、指数分布或伽玛分布，可以评估数据是否服从某个特定的分布。如果数据的分布明显偏离所拟合的分布，可能存在离群值。
3. 箱线图：箱线图是一种可视化工具，用于显示数据的分布情况和离群值。它通过绘制数据的最小值、最大值、中位数和四分位数等统计量，可以显示出数据的异常值。
4. Grubbs' test：格拉布斯（Grubbs）检验是一种常用的离群值
检测方法。它基于假设，即在正态样本中，离群值的概率较低。通过计算样本中个别值与样本均值的差异，可以识别离群值。
5. 非参数统计方法：非参数统计方法不依赖于数据的具体分布。例如，孤立森林（Isolation Forest）算法和DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法可以用于离群值的检测。
当发现离群值之后，可以考虑以下处理方法：
1. 删除离群值：简单粗暴地删除离群值，可能导致数据的信息损失，因此需要慎重考虑。删除离群值可能会影响样本的分布和模型的表现。
2. 替换离群值：可以将离群值替换为合理的值，例如使用极值替代、中位数或均值替代。根据数据的背景和特点，选择合适的替代方法。
3. 离群值分析：对离群值进行详细的分析和研究，确定它们是否是数据收集或处理中的错误。如果不是错误，离群值可能包含有价值的信息，可以进一步进行研究。
需要注意的是，离群值的处理取决于具体的数据和分析目的。在处理离群值之前，应该对数据的背景和特点进行充分的了解，并结合领域知识和实际需求进行判断和处理。
spss_大数据正态分布检验_Q
spss 数据正态分布检验 Q-Q图 学习交流2009-02-08 14:40 阅读1378 评论9 字号：大中小 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-----Freq uencies，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Pl ots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。 如下图： 如何在spss中进行正态分布检验1(转)(2009-07-22 11:11:57) 标签：杂谈 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。
数据的统计处理和解释正态样本离群值的判断和处理
数据的统计处理和解释正态样本离群值的判断和处理 数据的统计处理和解释可以使用各种方法，包括描述统计、概率分布拟合和假设检验等。下面是一些常见的方法和技术。 1. 描述统计：描述统计是一种简单但有效的数据统计处理方法。它包括计算样本的均值、中位数、标准差和百分位数等指标，以了解数据的集中趋势和分散程度。 2. 概率分布拟合：通过拟合常见的概率分布，如正态分布、指数分布或伽玛分布，可以评估数据是否服从某个特定的分布。如果数据的分布明显偏离所拟合的分布，可能存在离群值。 3. 箱线图：箱线图是一种可视化工具，用于显示数据的分布情况和离群值。它通过绘制数据的最小值、最大值、中位数和四分位数等统计量，可以显示出数据的异常值。 4. Grubbs' test：格拉布斯（Grubbs）检验是一种常用的离群值 检测方法。它基于假设，即在正态样本中，离群值的概率较低。通过计算样本中个别值与样本均值的差异，可以识别离群值。 5. 非参数统计方法：非参数统计方法不依赖于数据的具体分布。例如，孤立森林（Isolation Forest）算法和DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法可以用于离群值的检测。 当发现离群值之后，可以考虑以下处理方法：
1. 删除离群值：简单粗暴地删除离群值，可能导致数据的信息损失，因此需要慎重考虑。删除离群值可能会影响样本的分布和模型的表现。 2. 替换离群值：可以将离群值替换为合理的值，例如使用极值替代、中位数或均值替代。根据数据的背景和特点，选择合适的替代方法。 3. 离群值分析：对离群值进行详细的分析和研究，确定它们是否是数据收集或处理中的错误。如果不是错误，离群值可能包含有价值的信息，可以进一步进行研究。 需要注意的是，离群值的处理取决于具体的数据和分析目的。在处理离群值之前，应该对数据的背景和特点进行充分的了解，并结合领域知识和实际需求进行判断和处理。
spss_数据正态分布检验方法及意义
如何在spss中进行正态分布检验1(转) 标签： 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<=，即p>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，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）。
数据统计学处理的基本步骤
数据统计学处理的基本步骤 数据是我们生活和工作中必不可少的一部分，用来描述和反映客观现象和事物的规律和趋势。然而，数据本身没有意义，只有通过一定的处理和分析才能得出有用的结论和决策。数据统计学是一种重要的数据处理和分析方法，其基本步骤如下： 1. 定义问题：确定研究的问题和目标，明确需要回答的问题是什么，以及要得出的结论和对策。 2. 收集数据：收集与问题相关的数据，可以通过实验、调查、观察等方法来获得。在数据收集时，要保证数据的准确性和可靠性，并考虑到数据来源的可行性和避免数据的偏差。 3. 数据清洗：对数据进行初步的检查和清洗，先把无效数据和异常数据筛选出来，确保数据质量。例如，统计学上通常要求数据的分布满足正态分布，因此我们可以通过识别和剔除不满足正态分布的数据。 4. 数据描述：对数据进行描述和总结，以便更好地理解和分析数据。可以用图表或统计指标来描述数据的分布、中心趋势和离散程度等特征，如均值、标准差、中位数、众数等。 5. 数据分析：通过对数据的分析和比较，寻找数据间的关系和规律，发现问题的原因和影响，得出结论和建议。常用的分析方法包括假设检验、方差分析、回归分析、时间序列分析等。
6. 结论和推断：根据分析结果得出结论和推断，并进行评价和验证，看是否符合问题和目标的要求。需要注意的是，我们不能根据一 次性的数据分析就做出过于绝对的结论，要进行多方面的比较和验证。 7. 决策和实践：在得出结论后，根据可行性和成本效益等因素， 做出相应的决策和实践方案，改进和推广实践，实现最终的结果。 数据统计学处理的基本步骤是一个系统化、科学化的过程，它可 以有效地帮助我们处理和分析数据，发现问题和解决问题。通过掌握 数据统计学的方法和技巧，可以提高我们的数据分析水平和能力，为 决策和实践提供更加科学和可靠的指导。
数据处理与统计
数据处理与统计 一、介绍 数据处理与统计是一种重要的数据分析方法，通过对收集到的数据进行整理、 清洗、分析和解释，以揭示数据背后的规律和趋势。本文将详细介绍数据处理与统计的标准格式，包括数据处理步骤、统计方法和结果解释等。 二、数据处理步骤 1. 数据收集：收集与研究目的相关的数据，可以通过问卷调查、实验记录、观 察记录等方式获取。 2. 数据清洗：对收集到的数据进行清洗，包括去除重复数据、处理缺失值和异 常值等。 3. 数据整理：将清洗后的数据整理成适合分析的格式，如建立数据表格或数据库。 4. 数据转换：根据研究需要，对数据进行转换，如计算百分比、计算平均值等。 5. 数据分析：运用合适的统计方法对数据进行分析，如描述性统计、推断统计等。 6. 数据解释：根据分析结果，解释数据背后的规律和趋势，提出合理的结论。 三、统计方法 1. 描述性统计：通过计算数据的中心趋势和离散程度，描述数据的分布情况。 常用的描述性统计指标包括均值、中位数、标准差等。 2. 推断统计：通过从样本中推断总体的特征和差异，进行统计推断。常用的推 断统计方法包括假设检验和置信区间估计等。
3. 相关分析：用于研究两个或多个变量之间的关系。常用的相关分析方法包括 相关系数和回归分析等。 4. 方差分析：用于比较两个或多个样本均值之间的差异，判断差异是否具有统 计学意义。 5. 非参数统计：用于处理非正态分布或无法满足参数统计假设的数据。常用的 非参数统计方法包括秩和检验和符号检验等。 四、结果解释 在进行数据处理与统计后，需要对结果进行解释，以便读者理解和应用研究成果。结果解释应包括以下内容： 1. 描述性统计结果：给出数据的中心趋势和离散程度，如均值为X，标准差为Y。 2. 推断统计结果：给出推断统计的结论，如显著性水平为α，拒绝原假设或接 受备择假设。 3. 相关分析结果：给出两个或多个变量之间的相关性，如相关系数为r，p值 为p。 4. 方差分析结果：给出样本均值之间的差异是否具有统计学意义，如F值为F，p值为p。 5. 非参数统计结果：给出非参数统计的结论，如秩和检验的统计量为U，p值 为p。 五、总结 数据处理与统计是一种重要的数据分析方法，通过对数据进行整理、清洗、分 析和解释，可以揭示数据背后的规律和趋势。本文介绍了数据处理与统计的标准格式，包括数据处理步骤、统计方法和结果解释等。在实际应用中，根据具体研究目
离群值的检验方法
离群值的检验方法 离群值的检验方法是指用来判断数据集中是否存在离群值的统计方法。离群值即与大部分数据明显不同的观测值，它可能是由数据采集错误、异常情况或数据变化引起的。离群值如果不被处理，会对数据分析的结果产生不良影响，因此需要进行检验和处理。 离群值的检验方法主要可以分为统计方法和图形方法两类。下面将详细介绍这些方法。 统计方法： 1. 3倍标准差法： 该方法假设数据服从正态分布，认为距离平均值三倍标准差之外的观测值为离群值。具体操作步骤为：计算数据的均值和标准差，然后将数据与均值相比较，如果其绝对值大于三倍的标准差，则判定为离群值。 2. 箱线图法： 箱线图是一种有效的观测离群值的方法，它可以显示数据的分布情况。在箱线图中，离群值会显示为离开箱子边界的点。通过箱线图可以观察到数据的集中趋势和离散程度，同时也可以看到离群值的存在情况。 3. 理论分布法：
该方法基于假设数据服从某种特定的理论分布，如正态分布、指数分布等。可以使用统计方法检验数据是否符合理论分布，如果不符合，则可能存在离群值。 图形方法： 1. 散点图法： 散点图是一种常用的数据可视化工具，通过将数据点绘制在坐标系中，可以直观地观察数据的分布情况。如果在散点图中存在与其他数据明显不同的点，就可以怀疑其为离群值。 2. 直方图和密度曲线法： 直方图可以用来观察数据的分布情况，如果在直方图中存在与其他数据明显不同的峰或尾巴，就可能存在离群值。同时，可以绘制数据的密度曲线，观察曲线的形态是否与正常数据分布相符。 3. 箱线图法： 前面已经提到过箱线图法用于离群值检验，它不仅可以通过离群点的位置显示离群值，还可以通过箱子的高度和观测数据的分布关系判断是否存在离群值。 需要注意的是，离群值的存在并不一定代表数据错误，有时候离群值可能是真实存在的特殊观测值，例如极端气候情况下的气温数据。因此，在进行离群值检验时，需要综合考虑数据的背景知识和领域专业知识。
SPSS经典教程与结果解读-数据正态分布检验-理论+实践.docx
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，那么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，那么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： &表示偏度，&表示峰度,通过计算gl和g2及其标准误a玳及。戒然后作U检验。两种检验同时得出U
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 W2000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 中那么这样规定：（1）如果指定的是非整数权重，那么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，局部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,说明资料服从正态分布。 三、SPSS 操作例如 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、工具栏一分析一描述性统计一探索性 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 ）。 132 Discriptive Statistics Discriptive Statistics RF1 Analysis Li n«er Model i>K«4 Cor ♦顼♦ B<(r«ss>on 5r 你知道实验中的离群数据应该怎样判断和 处理么？离群数据的判断和处理原则汇总！离群数据来源与推断：1、离群值按产生缘由分为两类： a)第一类离群值是总体固有变异性的极端表现，这类离群值与样 本中其余观测值属于同一总体； b)其次类离群值是由于试验条件和试验方法的偶然偏离所产生的 结果，或产生于观测、记录、计算中的失误，这类离群值与样本中 其余观测值不属于同一总体。对离群值的判定通常可依据技术上或 物理上的理由直接进行，例如当试验者已经知道试验偏离了规定的 试验方法，或测试仪器发生问题等。当上述理由不明确时，可用本 标准规定的方法。 2、离群值的三种情形： 本标准在下述不怜悯形下推断样本中的离群值： a)上侧情形:依据实际状况或以往阅历，离群值都为高端值； b)下侧情形:依据实际状况或以往阅历，离群值都为低端值； c)双侧情形:依据实际状况或以往阅历，离群值可为高端值，也可 为低端值。 3、检出离群值个数的上限 应规定在样本中检出离群值个数的上限(与样本量相比应较小)， 当检出离群值个数超过了这个上限时，对此样本应作慎重的讨论和 处理。 4、单个离群值情形 a)依实际状况或以往阅历选定，选定相宜的离群值检验规章(格拉布斯检验、狄克逊检验等）； b)确定适当的显著性水平； c)依据显著性水平及样本量，确定检验的临界值;d)由观测值计算相应统计量的值，依据所得值与临界值的比较结果作出推断。 5、判定多个离群值的检验规章 在允许检出离群值的个数大于1的状况下，重复使用检验规章进行检验。若没有检出离群值，则整个检验停止;若检出离群值，当检出的离群值总数超过上限时，检验停止，对此样本应慎重处理，否则，采纳相同的检出水平和相同的规章，对除去已检出的离群值后余下的观测值连续检验。 1、处理方式 处理离群值的方式有： a)保留离群值并用于后续数据处理； b)在找到实际缘由时修正离群值，否则予以保留； c)剔除离群值，不追加观测值； d)剔除离群值，并追加新的观测值或用相宜的插补值代替。 寻找“离群值”—统计学在体外诊断中的应用（二） 上一篇提到抽样，例如体外诊断试剂研发流程中的关键一步——中试阶段，在GMP条件下生产出3批产品，进行产品分析性能评价、临床性能评价、稳定性研究、参考区间或阳性判断值确定、注册检验等工作，这里面就涉及到抽样，从生产出的产品中随机抽取出一定数量，做实验，获得一系列数据，通过对这些数据进行分析处理，最后获得产品的特征参数。这一篇我们重点关注数据离群值的判断和处理。 实验获得的数据，我们不能不管三七二十一，直接上来就计算均值、标准差、偏差。大多数的统计量，如均值、标准差、相关系数等，以及基于这些统计量的分析，均对离群值高度敏感。关注离群值，就是关注数据质量。如图1所示，左边是不去离群值的回归分析，右边是去掉离群值后的回归分析，可以看出回归线差别巨大。如果统计学上认为应该舍弃的数据留用了，势必会降低后续分析的可靠性。相反，本应该留用的数据被舍弃，虽然精密度提高，但却夸大了分析结果的可靠性，从而增加风险。 图1离群值剔除和不剔除情况下的回归线 01什么是离群值 在一组平行测定中，若有个别数据离开其他数据较远，则把此数据视为可疑，即离群值（outlier）。 离群值出现会有两种情形，一种出现在数据的单侧，即都为“鹤立鸡群”的高值，或都为“拖后腿”的低值；第二种是出现在双侧，两边都有“不合群”的，即既有高值，也有低值。 离群值产生有两种来源，一是技术错误造成的，即样品错误、测试时的操作错误、仪器故障、计算错误、录入测试结果时的简单书写错误等造成的，这样的离群值可以直接剔除，或剔除后再做实验补数据；第二种来源是不能用技术错误解释的，产生于试验条件、试验方法等因素的偶然偏离，这时就要进行统计处理来决定离群值是保留还是剔除。离群值的取舍对分析结果会产生很大影响，必须谨慎对待，在离群值产生的原因不明之前，不应简单决定其取舍。 在做离群值检验时，要预先规定检出离群值个数的上限，若检出的离群值个数超过了这个上限时，对此样本应做慎重的研究和处理。 02离群值的几种常见检验方法 在统计学上检验离群值之前，建议先做散点图，这样通过散点图可以一目了然、直观地判断数据情况。如图二所示，离群点是孤立的一个或几个数据点，远离数据集中其他数据点。 临床评价离群值-概述说明以及解释 1.引言 1.1 概述 概述部分的内容是对整篇文章的主题进行简要介绍，明确文章的研究背景和目的。在本文中，我们将讨论临床评价离群值这一主题。离群值是指在数据集中与其他观测值相比显著不同或异常的值。在临床评价中，离群值的存在可能会对数据分析和结果产生显著影响。因此，对离群值进行评价和处理是非常重要的。 本文将首先对离群值的定义和特点进行详细介绍。通过了解离群值的特征，我们可以更好地理解其在临床评价中的影响和重要性。接着，我们将讨论临床评价离群值的方法和指标。这些方法和指标可以帮助临床医生和研究人员识别和评估离群值，并对其进行适当的处理。 在结论部分，我们将总结离群值在临床评价中的作用和意义。同时，我们也将探讨临床评价离群值所面临的局限性和挑战。最后，我们将提出未来发展方向和研究建议，以促进对临床评价离群值的更深入研究和应用。 通过本文的阅读，读者将能够更好地理解离群值在临床评价中的重要性，并了解如何使用相应的方法和指标进行评估和处理。同时，本文也将为相关研究和实践提供新的思路和研究方向。 1.2文章结构 文章结构部分的内容可以是关于整篇文章的组织和框架的介绍。以下是一个可能的写作内容： 在本文中，我们将对临床评价离群值进行详细的讨论和分析。为了使读者更好地理解本文的内容，我将整篇文章分为引言、正文和结论三个部分。 引言部分将给出对离群值的概述，简要介绍离群值的定义和特点。我们将对离群值在临床评价中的重要性进行初步探讨，并明确本文的目的和意义。 正文部分将进一步深入探讨离群值的定义和特点，包括其在临床评价中的影响和重要性。我们将介绍不同领域中对离群值的研究成果，探讨其在临床实践中的应用前景。此外，我们还将讨论临床评价离群值的方法和指标，以帮助医生和研究人员更好地识别和评估潜在的离群值。 结论部分将归纳和总结本文的主要观点和发现。我们将强调离群值在临床评价中的作用和意义，并指出其局限性和挑战。最后，我们将提出未来发展方向和研究建议，以促进离群值在临床评价中的更广泛应用。 通过以上的文章结构，我们将系统地探讨离群值在临床评价中的重要 spss 数据正态分布检验方法及意义判读 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 S tatistics-----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 nor ma 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。非标准正态分布的斜率为样本标准差，截距为样本均 值。 如下图：实验中的离群数据应该怎样判断和处理么？离群数据的判断和处理原则汇总!
寻找“离群值”—统计学在体外诊断中的应用(二)
临床评价离群值-概述说明以及解释
spss_数据正态分布检验方法及意义