Python 中正态性检验中 p 值的解释
Interpretation of p-value in normality tests in Python
我正在对我的数据进行正态性检验。总的来说，我希望数据大致正常（足够正常），由原始值的直方图和 QQplot 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
这会让我相信我应该拒绝原假设。
我本来打算假设这是因为我的均值和标准差分别不同于 KS 测试假设的 0 和 1，正如 here 所解释的，但后来偶然发现了 plotly 中关于正态性测试的教程，对于这两个测试，低 p 值显然支持零假设！
plotly tutorial on normality tests
执行测试的方式是否有任何改变？还是教程页面上的错误？
教程中好像有错误。正如他们所说（经典定义），原假设是参考分布与测试分布之间没有显着差异。当 p-value 小于您的阈值时（当检验统计量大于临界值时），应该拒绝该假设。 link 中的同一教程中也说明了这一点，其中提供了有关如何接受或拒绝原假设的更多信息。
因此我认为这是一个错误。在这两个例子中，没有差异的原假设应该被拒绝，因为 p-values 似乎小于 0.05 并且检验统计量大于它们各自的临界值。
我刚刚从 Tutorial 下载了数据集并用 R 玩了一下。我同意你们两个的观点，他们的结论在 Shapiro 和 KS 测试中都是错误的。
另外，做KS测试，不能只用"norm"来建议分布，还需要参数值。实际上，ks.test(x,"pnorm", mean(x),sd(x)) 会给您 p-value 0.0475。这比他们声称的“0.0”p-value 更有意义，因为 non-parametric 测试比 p-value.
上的参数测试更不严格
同时为数据集添加直方图和 qqplot。
我正在对我的数据进行正态性检验。总的来说，我希望数据大致正常（足够正常），由原始值的直方图和 QQplot 支持。
教程中好像有错误。正如他们所说（经典定义），原假设是参考分布与测试分布之间没有显着差异。当 p-value 小于您的阈值时（当检验统计量大于临界值时），应该拒绝该假设。 link 中的同一教程中也说明了这一点，其中提供了有关如何接受或拒绝原假设的更多信息。
因此我认为这是一个错误。在这两个例子中，没有差异的原假设应该被拒绝，因为 p-values 似乎小于 0.05 并且检验统计量大于它们各自的临界值。
我刚刚从 Tutorial 下载了数据集并用 R 玩了一下。我同意你们两个的观点，他们的结论在 Shapiro 和 KS 测试中都是错误的。
另外，做KS测试，不能只用"norm"来建议分布，还需要参数值。实际上，ks.test(x,"pnorm", mean(x),sd(x)) 会给您 p-value 0.0475。这比他们声称的“0.0”p-value 更有意义，因为 non-parametric 测试比 p-value.
同时为数据集添加直方图和 qqplot。