数据的正态分布验证和方差齐性检验

在对数据进行统计分析之前，应该先查看数据的特征，然后根据其特征选择分析方法。

很多统计假设方法要求数据是符合正态分布的和方差齐性。

1.数据的正态分布验证：

• 夏皮罗-威尔克（Shapiro-Wilk）检验法，适用于3 < 样本数< 5000 时的正态性检验。

> data2
 [1] 10  7 20 14 14 12 10 23 17 20 14 13
> a=shapiro.test(data2)
> a

    Shapiro-Wilk normality test

data:  data2
W = 0.95757, p-value = 0.7487
##p值表示这个数据群是正态分布的概率

2.方差齐性检验

Bartlett检验 - 如果我们的数据服从正态分布，那么这种方法将是最为适用的。对于正态分布的数据，这种检验极为灵敏；而当数据为非正态分布时，使用该方法则很容易导致假阳性误判。

> data
   count spray
1     10     A
2      7     A
3     20     A
4     14     A
5     14     A
6     12     A
7     10     A
8     23     A
9     17     A
10    20     A
11    14     A
12    13     A
13    11     B
14    17     B
15    21     B
16    11     B
17    16     B
18    14     B
19    17     B
20    17     B
21    19     B
22    21     B
23     7     B
24    13     B
> bartlett.test(count~spray,data=data)

	Bartlett test of homogeneity of variances

data:  count by spray
Bartlett's K-squared = 0.10464, df = 1, p-value = 0.7463
##p值是条件A和条件B的方差齐性的概率