正态性检验这件事，我前前后后在不同项目里踩过不少坑。最早做数据分析那会儿，拿到一组数据上来就跑t检验、方差分析，结果被前辈一句话问住：“你凭啥觉得它服从正态分布？”当时就懵了。后来才明白，很多经典统计方法——t检验、F检验、线性回归的残差假设——都建立在正态性前提上。前提不成立，后面算出来的p值再漂亮也是空中楼阁。所以今天想系统聊聊用R做一元和多元正态分布检验的完整思路，包括那些教科书上不会写的实操细节和判断经验。这套方法不只适用于正态分布，换成指数分布、均匀分布、威布尔分布的检验，逻辑框架是一样的，学会一套就能迁移。

1. 为什么正态性检验是很多分析的“前置关卡”

1.1 正态假设到底影响了哪些方法

先把这个事情说清楚，不然很多人会觉得正态性检验是“多此一举”。我列一下日常最常用的、依赖正态假设的方法：

• 单样本t检验：要求样本来自正态总体，样本量小的时候尤其敏感。
• 两独立样本t检验：要求两组数据各自服从正态分布，且方差齐性。
• 配对t检验：要求差值服从正态分布，注意是差值，不是原始两组各自正态。
• 单因素方差分析（ANOVA）：要求各组残差服从正态分布。
• 线性回归：要求残差服从正态分布，而不是自变量或因变量本身。
• Pearson相关系数：要求双变量联合正态。
• 多元统计分析：如多元方差分析（MANOVA）、判别分析、因子分析等，要求数据服从多元正态分布。

你看，覆盖面非常广。所以正态性检验不是可做可不做的步骤，而是决定你后续能不能用参数方法的关键判断。如果数据明显偏离正态，要么做变量变换（对数、Box-Cox、平方根等），要么改用非参数方法（Wilcoxon、Kruskal-Wallis等）。

注意：大样本情况下（通常n>30或n>50），根据中心极限定理，抽样分布近似正态，t检验对正态性偏离有一定的稳健性。但这不意味着可以完全忽略，尤其是数据严重偏态或存在极端离群值时。

1.2 一元检验和多元检验的本质区别

一元正态检验，检验的是一个变量的一维分布是否呈钟形。多元正态检验，检验的是多个变量的联合分布是否呈多元钟形。这两者的区别不只是“多几个变量”那么简单。

多元正态分布有几个重要性质：任意线性组合服从一元正态；任意子集服从多元正态；边际分布正态；不相关等价于独立（这一点是一元正态没有的）。所以多元正态检验不能简单地对每个变量单独做一元检验就完事——每个变量都一元正态，联合分布未必是多元正态。这是很多人容易犯的错误。

我见过一个案例：某实验测量了三个指标，每个指标单独做Shapiro-Wilk检验p值都大于0.05，于是研究者认为数据服从多元正态，直接做了MANOVA。但实际上三个变量之间存在非线性依赖结构，联合分布明显偏离多元正态。正确做法是同时做一元检验和多元检验，综合判断。

2. 一元正态性检验的R实现与选择策略

2.1 可视化方法：先看图再算数

我个人的习惯是，拿到数据先画图，不要上来就做检验。图能告诉你很多检验统计量告诉不了的信息——比如分布是左偏还是右偏、有没有多峰、离群值在哪个方向。

直方图 + 密度曲线是最直观的：

set.seed(123) x <- rnorm(200, mean = 50, sd = 10) hist(x, prob = TRUE, breaks = 20, col = "lightblue", main = "直方图与密度曲线", xlab = "数值") lines(density(x), col = "red", lwd = 2)

QQ图是我最推荐的可视化工具。它的原理是把样本分位数和理论正态分位数对应画散点，如果数据服从正态分布，点应该紧贴45度参考线。QQ图的好处是对尾部偏离特别敏感——而尾部恰恰是很多检验方法关注的重点。

qqnorm(x, main = "Normal Q-Q Plot") qqline(x, col = "red", lwd = 2)

看QQ图的经验：点大致沿直线分布就没大问题；两端明显上翘或下弯说明尾部偏厚或偏薄；中间弯曲说明偏态。但要注意，小样本时QQ图波动大，不能太苛刻。

2.2 常用检验方法对比与选择

R里面做一元正态检验的函数很多，我整理了一个对比表：

我的选择策略是这样的：

• 样本量小于5000：首选Shapiro-Wilk，功效最高，统计软件界公认。
• 样本量大于5000：Shapiro-Wilk会变得过于敏感，几乎总是拒绝原假设。这时候改用Anderson-Darling或者直接看QQ图。
• 需要检验特定分布（非正态）：用KS检验，但要注意参数估计问题。

# Shapiro-Wilk检验 shapiro.test(x) # Anderson-Darling检验 library(nortest) ad.test(x) # Lilliefors检验（KS检验的修正版，参数未知时用） lillie.test(x)

2.3 检验结果的正确解读方式

这里要重点说，因为太多人把p值当成唯一标准。p > 0.05只能说明“没有足够证据拒绝正态性”，不等于“数据就是正态的”。这是一个逻辑上的区别——不能拒绝原假设不等于接受原假设。

我通常从三个维度综合判断：

1. 统计检验p值：作为参考，不作为唯一依据。
2. 偏度和峰度：偏度绝对值小于1、峰度绝对值小于2，通常可以接受。
3. QQ图和直方图：视觉判断是否严重偏离。

# 计算偏度和峰度 library(e1071) skewness(x) kurtosis(x)

实操心得：当p值在0.05附近徘徊时（比如0.03到0.08之间），不要死磕这个阈值。结合样本量、图形和业务背景判断。样本量很大时p值小很正常，样本量很小时p值大也不代表没问题。

3. 多元正态性检验的完整流程

3.1 多元正态的判定维度

多元正态检验比一元复杂得多，因为“偏离”可以有很多种形式。我一般从以下几个维度考察：

• 边际正态性：每个变量单独是否正态。
• 联合正态性：整体是否服从多元正态。
• 线性组合正态性：任意线性组合是否正态。
• 独立性结构：变量间的相关结构是否符合多元正态的假设。

常用的多元正态检验方法有：

3.2 MVN包的核心用法

MVN包是我做多元正态检验的首选工具，一个函数就能输出多种检验结果和诊断图：

library(MVN) # 生成模拟多元正态数据 set.seed(123) library(MASS) Sigma <- matrix(c(1, 0.5, 0.3, 0.5, 1, 0.4, 0.3, 0.4, 1), nrow = 3) data <- mvrnorm(n = 200, mu = c(0, 0, 0), Sigma = Sigma) # 多元正态检验 result <- mvn(data, mvnTest = "mardia", multivariatePlot = "qq", multivariateOutlierMethod = "quan") result$multivariateNormality

mvn()函数的几个关键参数：

• mvnTest：选择检验方法，可选"mardia"、"hz"、"royston"、"dh"、"energy"。
• multivariatePlot：诊断图类型，"qq"画多元QQ图，"persp"画三维透视，"contour"画等高线。
• multivariateOutlierMethod：离群值检测方法，"quan"基于分位数，"adj"基于调整分位数，"barnard"基于Barnard检验。
• univariateTest：一元检验方法，默认"SW"（Shapiro-Wilk）。

3.3 多元QQ图与离群值检测

多元QQ图是判断多元正态最直观的工具。它的原理是计算每个观测的马氏距离（Mahalanobis distance），然后和卡方分布的分位数比较。如果数据服从多元正态，马氏距离的平方应该服从卡方分布，QQ图上的点应该沿直线分布。

# 单独画多元QQ图 mvn(data, multivariatePlot = "qq") # 检测多元离群值 outliers <- mvn(data, multivariateOutlierMethod = "quan") outliers$multivariateOutliers

马氏距离的计算公式是：

$$D^2 = (x - \mu)^T \Sigma^{-1} (x - \mu)$$

其中x是观测向量，μ是均值向量，Σ是协方差矩阵。这个距离考虑了变量间的相关性，比欧氏距离更适合多元场景。

注意：当变量数接近或超过样本量时，协方差矩阵可能奇异，马氏距离无法计算。这时候需要降维或者用正则化方法。一般建议样本量至少是变量数的10倍以上。

4. 从正态检验迁移到其他分布检验

4.1 通用检验框架的搭建思路

标题里提到“也可以用于其他分布的检验”，这一点很关键。正态检验的底层逻辑是：设定一个理论分布，比较样本经验分布和理论分布的差异。这个逻辑可以迁移到任何分布。

通用框架分三步：

1. 估计分布参数：用样本估计理论分布的参数（如指数分布的rate、均匀分布的上下界）。
2. 构造检验统计量：基于经验分布函数（ECDF）和理论CDF的差异。
3. 判断显著性：计算p值，结合图形判断。

KS检验是最通用的工具，但要注意参数估计后的修正：

# 检验指数分布 set.seed(123) x_exp <- rexp(100, rate = 0.5) # 估计参数 rate_est <- 1 / mean(x_exp) # KS检验（注意：参数从数据估计时，标准KS检验p值偏保守） ks.test(x_exp, "pexp", rate = rate_est) # 更推荐：用fitdistrplus包做拟合优度检验 library(fitdistrplus) fit <- fitdist(x_exp, "exp") gofstat(fit) plot(fit)

4.2 常见分布的检验要点

不同分布的检验有各自的注意事项：

• 指数分布：关注是否无记忆性，QQ图对尾部敏感。用ks.test时参数估计会导致p值偏保守，建议用fitdistrplus的gofstat。
• 均匀分布：关注上下界估计，KS检验对中间偏离敏感。
• 威布尔分布：形状参数决定分布形态，检验时先估计参数再检验。
• Gamma分布：两个参数，估计后用gofstat综合判断。

# 用fitdistrplus做多种分布拟合对比 library(fitdistrplus) data <- rexp(200, rate = 0.3) fit_exp <- fitdist(data, "exp") fit_gamma <- fitdist(data, "gamma") fit_weibull <- fitdist(data, "weibull") # 对比AIC c(exp = fit_exp$aic, gamma = fit_gamma$aic, weibull = fit_weibull$aic) # 图形诊断 denscomp(list(fit_exp, fit_gamma, fit_weibull), legendtext = c("Exp", "Gamma", "Weibull")) cdfcomp(list(fit_exp, fit_gamma, fit_weibull), legendtext = c("Exp", "Gamma", "Weibull")) qqcomp(list(fit_exp, fit_gamma, fit_weibull), legendtext = c("Exp", "Gamma", "Weibull"))

4.3 参数估计对检验结果的影响

这是一个容易被忽略的细节。当你用样本估计分布参数后再做KS检验，标准的KS检验临界值不再适用，因为参数估计消耗了自由度，导致检验偏保守（p值偏大，更难拒绝原假设）。

解决方案有两种：

1. 用Lilliefors修正：nortest::lillie.test()就是针对正态分布的Lilliefors修正。
2. 用bootstrap方法：通过重抽样模拟检验统计量的零分布。

# Bootstrap KS检验 boot_ks_test <- function(data, dist = "norm", B = 1000) { n <- length(data) # 估计参数 if (dist == "norm") { params <- list(mean = mean(data), sd = sd(data)) ks_obs <- ks.test(data, "pnorm", params$mean, params$sd)$statistic # Bootstrap ks_boot <- replicate(B, { sim_data <- rnorm(n, params$mean, params$sd) sim_params <- list(mean = mean(sim_data), sd = sd(sim_data)) ks.test(sim_data, "pnorm", sim_params$mean, sim_params$sd)$statistic }) } p_value <- mean(ks_boot >= ks_obs) return(list(statistic = ks_obs, p_value = p_value)) } boot_ks_test(x)

这个方法虽然计算量大一些，但结果更可靠，尤其是样本量不大的时候。

5. 实操中的常见问题与排查技巧

5.1 检验结果矛盾怎么办

这是最常见的问题：Shapiro-Wilk说p=0.03拒绝正态，Anderson-Darling说p=0.08不拒绝，QQ图看起来还行。到底信谁？

我的处理原则：

1. 看样本量：小样本（n<30）时Shapiro-Wilk更可靠；大样本时Anderson-Darling更稳健。
2. 看偏离方向：如果只是轻微偏态，且后续方法对正态性稳健（如大样本t检验），可以继续用参数方法。
3. 看业务容忍度：有些场景对正态假设要求严格（如精确的置信区间），有些场景比较宽松（如探索性分析）。
4. 做敏感性分析：同时用参数方法和非参数方法跑一遍，看结论是否一致。如果一致，说明正态性偏离不影响结论。

# 敏感性分析示例 # 参数方法 t_test_result <- t.test(x, mu = 50) # 非参数方法 wilcox_result <- wilcox.test(x, mu = 50) cat("t检验p值:", t_test_result$p.value, "\n") cat("Wilcoxon检验p值:", wilcox_result$p.value, "\n")

5.2 大样本下的检验困境

样本量超过5000时，几乎任何微小偏离都会被检验出来。这时候p值基本没有参考价值。我的做法是：

• 放弃p值，改看效应量：偏度、峰度的绝对值，以及QQ图的偏离程度。
• 用可视化为主、检验为辅的策略。
• 关注实际意义：偏离是否大到影响后续分析？如果偏度只有0.2，即使p<0.001，实际影响也可以忽略。

# 大样本下的效应量评估 library(moments) skew_val <- skewness(x) kurt_val <- kurtosis(x) - 3 # 超额峰度 cat("偏度:", skew_val, "\n") cat("超额峰度:", kurt_val, "\n") # 经验标准：|偏度|<1, |超额峰度|<2 可接受

5.3 多元检验的降维策略

变量太多时（比如超过10个），多元正态检验的功效会下降，而且协方差矩阵估计不稳定。我的策略是：

1. 先做相关性分析：高度相关的变量可以合并或剔除。
2. 主成分分析（PCA）：用前几个主成分做多元正态检验，降维后再检验。
3. 分块检验：把变量分成几组，每组单独做多元正态检验。

# PCA降维后再做多元正态检验 pca_result <- prcomp(data, scale. = TRUE) # 取前3个主成分 pc_data <- pca_result$x[, 1:3] mvn(pc_data, mvnTest = "mardia")

实操心得：PCA降维后检验的是主成分的联合正态性，如果原始数据是多元正态，主成分也是多元正态；反之不一定成立。所以PCA检验通过不能完全证明原始数据多元正态，但可以作为参考。

5.4 离群值处理的两难

离群值会严重影响正态性检验结果。一个极端值就能让Shapiro-Wilk拒绝正态。但离群值不能随便删，可能是重要信息。

我的处理流程：

1. 识别：用箱线图、马氏距离、Z分数识别离群值。
2. 判断原因：是录入错误、测量误差，还是真实极端情况？
3. 决定处理：错误值修正或删除；真实极端值保留，考虑稳健方法或变量变换。
4. 敏感性分析：删除和不删除各做一遍，看结论是否稳健。

# 基于马氏距离的多元离群值检测 library(MVN) outlier_result <- mvn(data, multivariateOutlierMethod = "quan") # 查看离群值索引 outlier_result$multivariateOutliers # 删除离群值后重新检验 data_clean <- data[-outlier_result$multivariateOutliers$Observation, ] mvn(data_clean, mvnTest = "mardia")

5.5 常见问题速查表

6. 完整实战案例：一套数据走完整个流程

6.1 数据准备与初步探索

我用一个模拟的多元数据集走一遍完整流程。假设某实验测量了三个指标，样本量150：

set.seed(42) library(MASS) # 生成带轻微偏态的多元数据 n <- 150 Sigma <- matrix(c(1, 0.4, 0.3, 0.4, 1, 0.5, 0.3, 0.5, 1), nrow = 3) raw_data <- mvrnorm(n, mu = c(10, 20, 30), Sigma = Sigma) # 人为加入轻微偏态 raw_data[, 1] <- raw_data[, 1] + 0.1 * raw_data[, 1]^2 colnames(raw_data) <- c("V1", "V2", "V3") data <- as.data.frame(raw_data) # 初步探索 summary(data) pairs(data, main = "散点图矩阵")

散点图矩阵能快速看出变量间的线性关系和联合分布形态。如果散点呈椭圆形分布，说明线性相关结构合理；如果出现弯曲或异方差，说明需要变换。

6.2 一元检验逐变量执行

# 对每个变量做一元正态检验 library(nortest) library(e1071) univariate_results <- data.frame( Variable = colnames(data), SW_p = NA, AD_p = NA, Skewness = NA, Kurtosis = NA ) for (i in 1:ncol(data)) { sw <- shapiro.test(data[, i]) ad <- ad.test(data[, i]) univariate_results$SW_p[i] <- round(sw$p.value, 4) univariate_results$AD_p[i] <- round(ad$p.value, 4) univariate_results$Skewness[i] <- round(skewness(data[, i]), 3) univariate_results$Kurtosis[i] <- round(kurtosis(data[, i]) - 3, 3) } print(univariate_results)

假设输出显示V1的SW p=0.02，AD p=0.06，偏度0.6；V2和V3的p值都大于0.1。这时候V1处于临界状态，需要结合QQ图判断。

# 画QQ图 par(mfrow = c(1, 3)) for (i in 1:3) { qqnorm(data[, i], main = colnames(data)[i]) qqline(data[, i], col = "red") } par(mfrow = c(1, 1))

如果V1的QQ图只是轻微偏离，且偏度0.6在可接受范围，可以继续。如果偏离明显，考虑对V1做变换。

6.3 多元检验与诊断

library(MVN) # 多元正态检验 mvn_result <- mvn(data, mvnTest = "mardia", multivariatePlot = "qq", multivariateOutlierMethod = "quan") # 查看检验结果 print(mvn_result$multivariateNormality) # 查看离群值 print(mvn_result$multivariateOutliers)

Mardia检验输出两个统计量：多元偏度和多元峰度。两个都显著才拒绝多元正态；只有一个显著说明部分偏离。

如果多元检验拒绝，但一元检验都通过，说明问题出在变量间的依赖结构上。这时候可以：

1. 检查散点图矩阵，看是否有非线性关系。
2. 尝试Copula变换。
3. 考虑用稳健统计方法。

6.4 结果报告与决策建议

最后，我一般会整理一份完整的检验报告，包括：

• 一元检验结果表（各变量的SW、AD p值，偏度峰度）
• 多元检验结果（Mardia偏度、峰度统计量和p值）
• 诊断图（QQ图、多元QQ图）
• 离群值列表
• 结论与建议

# 生成综合报告 cat("=== 一元正态检验 ===\n") print(univariate_results) cat("\n=== 多元正态检验 ===\n") print(mvn_result$multivariateNormality) cat("\n=== 离群值 ===\n") print(mvn_result$multivariateOutliers)

决策建议的写法要具体，比如：“V1存在轻微右偏（偏度0.6），但QQ图偏离不严重，建议保留原始数据做后续分析，同时用非参数方法做敏感性验证。多元检验Mardia峰度p=0.03，提示尾部略厚，建议关注极端值影响。”

这套流程走下来，基本能覆盖绝大多数场景。关键是不要迷信单一检验，要综合图形、统计量、业务背景做判断。正态性检验是手段不是目的，最终目的是确保后续分析方法的适用性。如果偏离不影响结论，就不必为了“完美正态”反复折腾数据。