python - Python 正态性检验中 p 值的解释

Question

我正在对我的数据执行正态性检验。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=0.0Shapiro-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，如解释的那样 here但随后偶然发现了 plotly 中关于正态性检验的教程，其中两个检验的低 p 值显然支持原假设! 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？

Answer 1

这似乎是教程中的错误。正如他们所说(经典定义)，原假设是引用分布与测试分布之间没有显着差异。当 p 值小于您的阈值时(当检验统计量大于临界值时)，应该拒绝该假设。这也在同一教程的链接中进行了说明，他们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。在这两个示例中，应该拒绝无差异的零假设，因为 p 值似乎小于 0.05，并且检验统计量大于它们各自的临界值。