數據不服從正態分布怎麼做

1. 不是正態分布的數據怎麼分析

不是正態的數據分析，第一反應是尋求變換，常用的就是Box-Cox變換。如果還不行的話，就直接上非參數了。

對待這種問題，一般要先弄清不正態的原因再說。

第一種情況：數據本來就不是正態的。

如果明確知道樣本數據所代表的總體本來就不是正態分布的，可以考慮尋求變換，通常都會找到恰當的變換參數。但有些數據也不一定能夠變換成功，這時可以採用非參數檢驗來進行分析。

第二種情況：存在異常點。

如果確認是異常點，可以考慮剔除。但如果找不到產生異常點的原因，它可能就是一個正常數據，此時可以考慮補充抽樣，看看能不能把異常點與大多數數據中的空間填補上。

2. SPSSAU數據不符合正態分布，應該怎麼辦

正態性檢驗要求嚴格通常無法滿足，如果峰度絕對值小於10並且偏度絕對值小於3，則說明數據雖然不是絕對正態，但基本可接受為正態分布。 除此之外，也可以對數據取對數，開根號等（數據處理-生成變數），然後對新數據再次檢驗正態性。一般來說取對數，開根號等處理只會改變數據的相對值，而數據的相對意義並不會改變，因此如果使用取對數等方法讓數據更『正態』，是科學合理的做法。具體可查看SPSSAU幫助手冊說明。

3. 當數據不符合正態分布，且希望能符合正態分布時候可以用哪些方法

正態分布法：X服從一個數學期望為μ、方差為σ^2的正態分布，記為N(μ，σ^2)。其概率密度函數為正態分布的期望值μ決定了其位置，其標准差σ決定了分布的幅度。當μ = 0，σ = 1時便符合正態分布了。

故必須認定這二者之一（算術平均的優良性，誤差的正態性） 為出發點。但算術平均到底並沒有自行成立的理由，以它作為理論中一個預設的出發點，終覺有其不足之處。拉普拉斯的理論把這斷裂的一環連接起來，使之成為一個和諧的整體，實有著極重大的意義。

其實，他提出的形式有相當大的局限性：海根把誤差設想成個數很多的、獨立同分布的「元誤差」 之和，每隻取兩值，其概率都是1/2，由此出發，按棣莫弗的中心極限定理，立即就得出誤差（近似地）服從正態分布。

拉普拉斯所指出的這一點有重大的意義，在於他給誤差的正態理論一個更自然合理、更令人信服的解釋。因為，高斯的說法有一點循環論證的氣味：由於算術平均是優良的，推出誤差必須服從正態分布；反過來，由後一結論又推出算術平均及最小二乘估計的優良性。

4. 關於數據非正態分布怎麼辦

可以應用變數變換的方法,將不服從正態分布的資料轉化為非正態分布或近似正態分布。常用的變數變換方法有對數變換、平方根變換、倒數變換、平方根反正玄變換等，應根據資料性質選擇適當的變數變換方法。
1、對數變換 即將原始數據X的對數值作為新的分布數據：
X』=lgX
當原始數據中有小值及零時，亦可取X』=lg（X+1）
還可根據需要選用X』=lg（X+k）或X』=lg（k-X）
對數變換常用於（1）使服從對數正態分布的數據正態化。如環境中某些污染物的分布，人體中某些微量元素的分布等，可用對數正態分布改善其正態性。
（2）使數據達到方差齊性，特別是各樣本的標准差與均數成比例或變異系數CV接近於一個常數時。
2、平方根變換 即將原始數據X的平方根作為新的分布數據。
X』=sqrt（X）
平方根變換常用於：
1）使服從Poission分布的計數資料或輕度偏態資料正態化，可用平方根變換使其正態化。2）當各樣本的方差與均數呈正相關時，可使資料達到方差齊性。
3）倒數變換 即將原始數據X的倒數作為新的分析數據。
X』=1/X
常用於資料兩端波動較大的資料，可使極端值的影響減小。
4、平方根反正旋變換 即將原始數據X的平方