数据不服从正态分布怎么做

1. 不是正态分布的数据怎么分析

不是正态的数据分析，第一反应是寻求变换，常用的就是Box-Cox变换。如果还不行的话，就直接上非参数了。

对待这种问题，一般要先弄清不正态的原因再说。

第一种情况：数据本来就不是正态的。

如果明确知道样本数据所代表的总体本来就不是正态分布的，可以考虑寻求变换，通常都会找到恰当的变换参数。但有些数据也不一定能够变换成功，这时可以采用非参数检验来进行分析。

第二种情况：存在异常点。

如果确认是异常点，可以考虑剔除。但如果找不到产生异常点的原因，它可能就是一个正常数据，此时可以考虑补充抽样，看看能不能把异常点与大多数数据中的空间填补上。

2. SPSSAU数据不符合正态分布，应该怎么办

正态性检验要求严格通常无法满足，如果峰度绝对值小于10并且偏度绝对值小于3，则说明数据虽然不是绝对正态，但基本可接受为正态分布。 除此之外，也可以对数据取对数，开根号等（数据处理-生成变量），然后对新数据再次检验正态性。一般来说取对数，开根号等处理只会改变数据的相对值，而数据的相对意义并不会改变，因此如果使用取对数等方法让数据更‘正态’，是科学合理的做法。具体可查看SPSSAU帮助手册说明。

3. 当数据不符合正态分布，且希望能符合正态分布时候可以用哪些方法

正态分布法：X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0，σ = 1时便符合正态分布了。

故必须认定这二者之一（算术平均的优良性，误差的正态性） 为出发点。但算术平均到底并没有自行成立的理由，以它作为理论中一个预设的出发点，终觉有其不足之处。拉普拉斯的理论把这断裂的一环连接起来，使之成为一个和谐的整体，实有着极重大的意义。

其实，他提出的形式有相当大的局限性：海根把误差设想成个数很多的、独立同分布的“元误差” 之和，每只取两值，其概率都是1/2，由此出发，按棣莫弗的中心极限定理，立即就得出误差（近似地）服从正态分布。

拉普拉斯所指出的这一点有重大的意义，在于他给误差的正态理论一个更自然合理、更令人信服的解释。因为，高斯的说法有一点循环论证的气味：由于算术平均是优良的，推出误差必须服从正态分布；反过来，由后一结论又推出算术平均及最小二乘估计的优良性。

4. 关于数据非正态分布怎么办

可以应用变量变换的方法,将不服从正态分布的资料转化为非正态分布或近似正态分布。常用的变量变换方法有对数变换、平方根变换、倒数变换、平方根反正玄变换等，应根据资料性质选择适当的变量变换方法。
1、对数变换 即将原始数据X的对数值作为新的分布数据：
X’=lgX
当原始数据中有小值及零时，亦可取X’=lg（X+1）
还可根据需要选用X’=lg（X+k）或X’=lg（k-X）
对数变换常用于（1）使服从对数正态分布的数据正态化。如环境中某些污染物的分布，人体中某些微量元素的分布等，可用对数正态分布改善其正态性。
（2）使数据达到方差齐性，特别是各样本的标准差与均数成比例或变异系数CV接近于一个常数时。
2、平方根变换 即将原始数据X的平方根作为新的分布数据。
X’=sqrt（X）
平方根变换常用于：
1）使服从Poission分布的计数资料或轻度偏态资料正态化，可用平方根变换使其正态化。2）当各样本的方差与均数呈正相关时，可使资料达到方差齐性。
3）倒数变换 即将原始数据X的倒数作为新的分析数据。
X’=1/X
常用于资料两端波动较大的资料，可使极端值的影响减小。
4、平方根反正旋变换 即将原始数据X的平方