Python正态分布检验：原理、方法与实践指南

1. 项目概述：为什么正态分布检验是建模的基石

做数据分析或者数学建模的朋友，肯定都听过“正态分布”这个词。它就像数据分析世界里的一个“标准模板”，很多经典的统计方法，比如t检验、方差分析、线性回归，都建立在一个基本假设之上：数据服从正态分布，或者误差项服从正态分布。如果这个前提不成立，你辛辛苦苦跑出来的p值、构建的模型，其结论的可靠性就要大打折扣，甚至可能完全误导方向。

我刚开始接触建模的时候，也犯过这个错误。拿到一组数据，不管三七二十一，直接上线性回归，看到R²不错就沾沾自喜。直到有一次，模型预测结果和实际值偏差巨大，排查了半天才发现，残差图呈现出明显的“漏斗形”，根本不服从正态分布。那次教训让我深刻认识到，正态分布检验不是一道可做可不做的“选择题”，而是建模流程中必须通过的“安检门”。

这个项目，我们就聚焦于用Python这把“瑞士军刀”，来系统性地完成这道“安检”。我们会从最基础的理论认知开始，到多种检验方法的原理与Python实现，再到如何解读复杂结果，并结合实际建模场景给出操作建议。无论你是正在准备数学建模竞赛的学生，还是需要处理实际业务数据的分析师，掌握这套流程都能让你避开很多坑，让模型结果更站得住脚。

2. 正态分布检验的核心原理与常见误区

在动手写代码之前，我们必须先搞清楚两件事：第一，我们检验的到底是什么？第二，不同的检验方法侧重点有何不同？盲目套用检验函数，只会得到一堆令人困惑的p值。

2.1 理解假设检验的逻辑框架

所有的正态性检验，本质上都是统计假设检验。我们设立两个对立的假设：

• 原假设（H0）：数据服从正态分布。
• 备择假设（H1）：数据不服从正态分布。

检验会计算一个统计量，并根据这个统计量得到一个p值。p值的含义是：在原假设成立（即数据真的服从正态分布）的前提下，观察到当前样本数据（或更极端数据）的概率。

通常，我们设定一个显著性水平α（常取0.05）。决策规则很简单：

• 若 p-value < α：拒绝原假设，认为数据不服从正态分布。
• 若 p-value >= α：没有足够证据拒绝原假设，注意，是“无法拒绝”，而不是“接受”数据服从正态分布。

这是一个关键的理解误区。p值大只能说明“没找到证据证明你不正态”，不代表“你就是正态的”。特别是当样本量很小时，检验的“火力”（统计功效）不足，很难检测出与正态分布的偏离，容易得出“假阴性”的结论。

2.2 四大主流检验方法的原理与适用场景

Python中常用的检验方法主要有四类，它们从不同角度“审视”数据与正态分布的差异。

1. 基于经验分布函数的检验：Kolmogorov-Smirnov (K-S) 检验它的核心思想是计算样本的经验分布函数与理论正态分布函数之间的最大垂直距离（D统计量）。这个距离越大，说明样本分布与正态分布差异越大。

• 优点：非参数检验，适用于任何连续分布的比较。
• 缺点：对分布的中心部位（均值附近）差异不敏感，更关注两端尾部。而且，当用样本均值和方差来估计理论分布的参数时（即Lilliefors检验），其临界值表是不同的，直接使用标准K-S检验会过于保守（更容易不拒绝H0）。scipy中的kstest默认执行的是标准K-S检验，若用于正态性检验，需指定cdf='norm'并传入估计的参数，但更推荐使用专为正态性改进的normaltest或shapiro。

2. 基于样本分位数的检验：Shapiro-Wilk (S-W) 检验这被认为是检验能力（功效）最强的正态性检验之一，尤其适用于小样本（n < 50）。它计算样本数据与来自正态分布的同样本量数据的期望分位数之间的相关系数（W统计量）。W值越接近1，数据越可能服从正态分布。

• 优点：对小样本非常敏感，功效高。
• 缺点：对样本量有上限（通常实现中n最大为5000），超过后可能无法计算或精度下降。

3. 基于样本偏度和峰度的检验：D‘Agostino‘s K² 检验正态分布有两个重要的形态特征：偏度（衡量分布不对称性）和峰度（衡量分布尖峭或扁平程度）。标准正态分布的偏度为0，峰度为3（有些定义下超额峰度为0）。该检验将样本的偏度和峰度结合起来，构造一个服从卡方分布的统计量（K²）。

• 优点：能明确指示偏离方向（是偏态还是尖峰/平峰），适用于大样本。
• 缺点：对于小样本，其检验功效可能不如S-W检验。

4. 基于正态概率图的相关系数检验：正态概率图与Q-Q图这是一种图形化方法，但也可以量化。将样本数据排序后，与其理论正态分位数画散点图，即为Q-Q图。如果数据正态，点应大致分布在一条直线上。进一步，可以计算这些点与直线的相关系数，并进行检验（如Anderson-Darling检验的某些变体，但Python中更常见的是目视判断）。

• 优点：直观，不仅能判断是否正态，还能看出何处偏离（尾部、头部）。
• 缺点：主观性强，需要经验判断；量化检验不如S-W或K²普及。

实操心得：在实际项目中，我绝不会只依赖一种检验方法。我的标准流程是：小样本（n<50）优先看S-W检验的结果；大样本则主要参考D‘Agostino‘s K²检验；同时，无论样本大小，都必须绘制Q-Q图或直方图进行视觉验证。多种证据相互印证，结论才可靠。

3. Python实战：从数据到检验报告的完整流程

理论说得再多，不如一行代码。我们用一个完整的例子，串联起数据准备、多种检验、可视化到结果解读的全过程。假设我们有一组来自某工艺生产线的零件尺寸测量数据。

3.1 环境准备与数据生成

首先，确保你的Python环境安装了必要的库：numpy,pandas,scipy,statsmodels,matplotlib。如果没有，通过pip install安装即可。

为了演示，我们生成两组数据：一组来自正态分布，一组来自对数正态分布（明显右偏）。这样我们可以对比检验方法在“正常”和“异常”情况下的表现。

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from scipy import stats import statsmodels.api as sm from statsmodels.graphics.gofplots import qqplot # 设置随机种子保证可复现 np.random.seed(2023) # 生成数据 n_samples = 100 # 组1：正态分布数据，均值=10，标准差=0.5 data_normal = np.random.normal(loc=10, scale=0.5, size=n_samples) # 组2：对数正态分布数据（明显右偏），通过指数变换得到 data_lognormal = np.random.lognormal(mean=2, sigma=0.6, size=n_samples) # 组合成DataFrame方便处理 df = pd.DataFrame({ ‘Normal_Data‘: data_normal, ‘Lognormal_Data‘: data_lognormal }) print(df.describe().round(3))

运行describe()，你可能会看到Lognormal_Data的均值、中位数、标准差都远大于Normal_Data，且均值>中位数，这是右偏分布的典型信号。

3.2 实施多种统计检验

接下来，我们对两组数据分别进行Shapiro-Wilk检验和D‘Agostino‘s K²检验。

def normality_test_report(data, name): """执行并打印正态性检验报告""" print(f"\n=== 对数据集 ‘{name}‘ 的正态性检验 ===") # 1. Shapiro-Wilk 检验 shapiro_stat, shapiro_p = stats.shapiro(data) print(f"Shapiro-Wilk 检验: 统计量 W = {shapiro_stat:.4f}, p-value = {shapiro_p:.4e}") if shapiro_p < 0.05: print(" -> 结论: 在0.05水平上拒绝原假设，数据不服从正态分布。") else: print(" -> 结论: 在0.05水平上无法拒绝原假设，数据可能服从正态分布。") # 2. D‘Agostino‘s K² 检验 k2_stat, k2_p = stats.normaltest(data) print(f"D‘Agostino‘s K² 检验: 统计量 K² = {k2_stat:.4f}, p-value = {k2_p:.4e}") if k2_p < 0.05: print(" -> 结论: 在0.05水平上拒绝原假设，数据不服从正态分布。") else: print(" -> 结论: 在0.05水平上无法拒绝原假设，数据可能服从正态分布。") # 3. 计算偏度和峰度作为辅助判断 skewness = stats.skew(data) kurtosis = stats.kurtosis(data) # 默认计算超额峰度（峰度-3） print(f"样本偏度: {skewness:.4f} (接近0为对称)") print(f"样本超额峰度: {kurtosis:.4f} (接近0为正态)") return shapiro_p, k2_p # 对两组数据进行检验 print("="*50) p_sw_norm, p_k2_norm = normality_test_report(df[‘Normal_Data‘], ‘Normal_Data‘) print("="*50) p_sw_log, p_k2_log = normality_test_report(df[‘Lognormal_Data‘], ‘Lognormal_Data‘)

执行后，你很可能会看到：对于Normal_Data，两个检验的p值都远大于0.05（例如0.6、0.8），无法拒绝其正态性；而对于Lognormal_Data，p值会极小（例如<0.001），强烈拒绝其正态性。同时，其偏度远大于0，证实了右偏。

3.3 可视化诊断：让证据一目了然

数字检验有时仍显抽象，结合图形能让我们“看见”分布。我们绘制直方图（带核密度估计）和Q-Q图。

def plot_normality_diagnostics(data, name, ax_hist, ax_qq): """绘制诊断图""" # 子图1：直方图 + 核密度估计 + 理论正态曲线 sns.histplot(data, kde=True, stat=‘density‘, ax=ax_hist, color=‘skyblue‘, edgecolor=‘black‘) # 绘制理论正态分布曲线 xmin, xmax = ax_hist.get_xlim() x = np.linspace(xmin, xmax, 100) mu, std = data.mean(), data.std() p = stats.norm.pdf(x, mu, std) ax_hist.plot(x, p, ‘r--‘, linewidth=2, label=‘Theoretical Normal‘) ax_hist.set_title(f‘{name}: Histogram & KDE‘) ax_hist.legend() # 子图2：Q-Q图 qqplot(data, line=‘s‘, ax=ax_qq, marker=‘o‘, markerfacecolor=‘blue‘, markeredgecolor=‘blue‘, alpha=0.6) ax_qq.set_title(f‘{name}: Q-Q Plot‘) # 创建画布 fig, axes = plt.subplots(2, 2, figsize=(12, 10)) plot_normality_diagnostics(df[‘Normal_Data‘], ‘Normal Data‘, axes[0, 0], axes[0, 1]) plot_normality_diagnostics(df[‘Lognormal_Data‘], ‘Lognormal Data‘, axes[1, 0], axes[1, 1]) plt.tight_layout() plt.show()

对于正态数据，直方图与红色理论曲线贴合较好，Q-Q图上的点基本围绕红色对角线分布。而对于对数正态数据，直方图明显右偏，Q-Q图在两端严重偏离对角线，形成曲线，这是典型的右偏厚尾分布特征。

注意事项：绘制Q-Q图时，statsmodels的qqplot函数中line=‘s‘参数表示绘制一条与数据同标准差和均值的理论直线（标准线），这是最常用的参考线。如果点系统地分布在这条线之上或之下，就指示了偏态；如果两端翘起或下垂，则指示了峰度问题。

4. 数学建模中的实战策略与数据转换

检验出数据不正态，建模工作并不能就此停止。这时我们有两种主要策略：一是寻找对正态性要求不严格的“稳健”方法；二是对数据进行转换，使其更接近正态分布。

4.1 非参数检验与稳健模型的选择

如果你的核心目的是比较组间差异（如A/B测试），而数据不正态，可以转向非参数检验：

• 替代独立样本t检验：曼-惠特尼U检验 (scipy.stats.mannwhitneyu)
• 替代配对样本t检验：威尔科克森符号秩检验 (scipy.stats.wilcoxon)
• 替代单因素方差分析：克鲁斯卡尔-沃利斯H检验 (scipy.stats.kruskal)

在回归建模中，如果残差不正态，可以考虑：

• 使用稳健回归：如statsmodels中的RLM（稳健线性模型），它使用M估计量等方法，降低异常值的影响。
• 尝试广义线性模型：如果因变量是计数、比例或二分类数据，其本身就不应假设为正态，应使用泊松回归、逻辑回归等GLM。
• 采用树模型或基于树的集成模型：如随机森林、梯度提升树，这些模型对误差分布没有正态性要求。

4.2 数据变换的常用方法与选择

对于右偏的连续数据（如收入、寿命、反应时间），变换常常有效。目标是使变换后的数据更对称，方差更稳定。

1. 对数变换这是处理右偏数据最经典的方法，适用于所有值大于零的数据。

data_transformed = np.log(data) # 如果数据包含零，可以使用 log(x+1) 或 log(x + c)，其中c是一个小的常数

2. 平方根变换强度弱于对数变换，也适用于处理轻度右偏或泊松分布特征的数据。

data_transformed = np.sqrt(data)

3. Box-Cox变换这是一个参数化的变换族，能找到最佳的变换参数λ，使数据最接近正态。scipy提供了实现。

from scipy.stats import boxcox # boxcox要求输入数据必须为正 data_transformed, fitted_lambda = boxcox(data[data > 0]) # 注意处理非正数 print(f"Box-Cox变换最优参数 lambda = {fitted_lambda:.3f}")

Box-Cox变换囊括了多种常见变换：λ=0等价于对数变换，λ=0.5等价于平方根变换，λ=1等价于恒等变换。

4. Yeo-Johnson变换Box-Cox的扩展，可以处理包含零和负数的数据，更为通用。

from scipy.stats import yeojohnson data_transformed, fitted_lambda = yeojohnson(data) print(f"Yeo-Johnson变换最优参数 lambda = {fitted_lambda:.3f}")

变换后的重要步骤：对变换后的数据必须重新进行正态性检验和可视化诊断，以评估变换效果。同时，需要牢记，变换会改变数据的解释。例如，对因变量进行对数变换后，建立的线性模型实际是在预测log(y)，在反变换回去解释时，涉及到中位数而非均值的估计，解释上需要格外小心。

实操心得：我个人的经验是，不要为了追求一个漂亮的p值（>0.05）而过度变换。变换的首要目的是改善模型的拟合状况（如线性、方差齐性）和残差的正态性，而非单纯让正态性检验通过。有时，一个虽然p值略小于0.05但Q-Q图显示只有轻微偏离的分布，对于大样本量的模型来说可能是可以接受的。最终是否采用变换，需要权衡改善效果、模型解释的便利性以及业务背景。

5. 综合案例：竞赛数据预处理全流程解析

让我们模拟一个数学建模竞赛中可能遇到的场景：分析城市共享单车的日使用量影响因素。我们拿到一份日使用量数据，怀疑其不服从正态分布，需要完成从检验到处理的完整流程。

5.1 案例背景与数据探索

假设bike_daily.csv包含字段：date（日期），daily_count（日使用量），temp（平均温度），is_weekend（是否周末）。

# 模拟数据生成 np.random.seed(42) n_days = 365 # 生成右偏的日使用量：基础值 + 温度效应 + 周末效应 + 噪声 base = 5000 temp_effect = np.random.normal(50, 15, n_days) * 20 # 温度影响系数 weekend = np.random.choice([0, 1], size=n_days, p=[5/7, 2/7]) weekend_effect = weekend * 1500 noise = np.random.exponential(scale=300, size=n_days) # 指数噪声，制造右偏 daily_count = base + temp_effect + weekend_effect + noise daily_count = daily_count.astype(int) df_bike = pd.DataFrame({ ‘daily_count‘: daily_count, ‘temp‘: np.random.normal(25, 8, n_days), ‘is_weekend‘: weekend }) # 探索 print(df_bike[‘daily_count‘].describe()) print(f"\n偏度: {stats.skew(df_bike[‘daily_count‘]):.3f}") print(f"峰度: {stats.kurtosis(df_bike[‘daily_count‘]):.3f}")

输出会显示数据均值大于中位数，偏度为正，初步判断为右偏。

5.2 执行检验与诊断

# 1. 统计检验 stat_sw, p_sw = stats.shapiro(df_bike[‘daily_count‘]) stat_k2, p_k2 = stats.normaltest(df_bike[‘daily_count‘]) print(f"Shapiro-Wilk: p-value = {p_sw:.3e}") print(f"D‘Agostino‘s K²: p-value = {p_k2:.3e}") # 2. 可视化 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5)) # 直方图+KDE sns.histplot(df_bike[‘daily_count‘], kde=True, ax=ax1, color=‘lightcoral‘) ax1.axvline(df_bike[‘daily_count‘].mean(), color=‘red‘, linestyle=‘--‘, label=f‘Mean: {df_bike[“daily_count“].mean():.0f}‘) ax1.axvline(df_bike[‘daily_count‘].median(), color=‘green‘, linestyle=‘--‘, label=f‘Median: {df_bike[“daily_count“].median():.0f}‘) ax1.legend() ax1.set_title(‘Daily Bike Count Distribution‘) # Q-Q图 qqplot(df_bike[‘daily_count‘], line=‘s‘, ax=ax2, marker=‘o‘, alpha=0.5) ax2.set_title(‘Q-Q Plot of Daily Bike Count‘) plt.show()

图形会清晰显示数据右偏，Q-Q图右上翘。检验p值很可能远小于0.05。

5.3 尝试数据变换并评估

我们尝试对数变换和Box-Cox变换。

# 数据必须为正，我们的模拟数据已满足 # 对数变换 df_bike[‘log_count‘] = np.log(df_bike[‘daily_count‘]) # Box-Cox变换 df_bike[‘bc_count‘], bc_lambda = boxcox(df_bike[‘daily_count‘]) print(f"Box-Cox最优lambda: {bc_lambda:.3f}") # 可能接近0，提示对数变换是好的选择 # 对变换后数据做检验 _, p_sw_log = stats.shapiro(df_bike[‘log_count‘]) _, p_k2_log = stats.normaltest(df_bike[‘log_count‘]) _, p_sw_bc = stats.shapiro(df_bike[‘bc_count‘]) _, p_k2_bc = stats.normaltest(df_bike[‘bc_count‘]) print(f"\n对数变换后 - S-W p: {p_sw_log:.3f}, K² p: {p_k2_log:.3f}") print(f"Box-Cox变换后 - S-W p: {p_sw_bc:.3f}, K² p: {p_k2_bc:.3f}") # 绘制变换后的Q-Q图对比 fig, axes = plt.subplots(1, 3, figsize=(15, 4)) qqplot(df_bike[‘daily_count‘], line=‘s‘, ax=axes[0]) axes[0].set_title(‘Original Data Q-Q‘) qqplot(df_bike[‘log_count‘], line=‘s‘, ax=axes[1]) axes[1].set_title(‘Log-Transformed Q-Q‘) qqplot(df_bike[‘bc_count‘], line=‘s‘, ax=axes[2]) axes[2].set_title(‘Box-Cox Transformed Q-Q‘) plt.tight_layout() plt.show()

通常，变换后的p值会显著增大，Q-Q图上的点会更贴近对角线。你需要判断哪种变换效果更好，且更易于后续建模解释。

5.4 建模决策与结果对比

假设我们想建立日使用量与温度、是否周末的线性回归模型。

import statsmodels.formula.api as smf # 使用原始数据建模 model_original = smf.ols(‘daily_count ~ temp + is_weekend‘, data=df_bike).fit() print("=== 原始数据模型残差诊断 ===") # 检查残差正态性 residuals_orig = model_original.resid _, p_sw_resid_orig = stats.shapiro(residuals_orig) print(f"残差Shapiro-Wilk检验 p-value: {p_sw_resid_orig:.3e}") # 绘制残差Q-Q图 fig, ax = plt.subplots(1, 2, figsize=(10, 4)) sm.qqplot(residuals_orig, line=‘s‘, ax=ax[0]) ax[0].set_title(‘Residuals Q-Q (Original)‘) # 残差vs拟合值图，检查方差齐性 ax[1].scatter(model_original.fittedvalues, residuals_orig, alpha=0.6) ax[1].axhline(y=0, color=‘r‘, linestyle=‘--‘) ax[1].set_xlabel(‘Fitted values‘) ax[1].set_ylabel(‘Residuals‘) ax[1].set_title(‘Residuals vs Fitted (Original)‘) plt.tight_layout() plt.show() # 使用变换后数据建模 (以对数变换为例) model_log = smf.ols(‘log_count ~ temp + is_weekend‘, data=df_bike).fit() print("\n=== 对数变换后模型残差诊断 ===") residuals_log = model_log.resid _, p_sw_resid_log = stats.shapiro(residuals_log) print(f"残差Shapiro-Wilk检验 p-value: {p_sw_resid_log:.3e}") # ... 同样绘制残差诊断图进行比较

关键是比较两个模型的残差图。原始数据模型的残差Q-Q图可能偏离直线，且残差vs拟合值图可能呈现“漏斗形”（方差不等）。而对数变换后的模型，这两个问题通常会得到显著改善。虽然R²不能直接比较（因变量不同），但你可以关注残差是否更随机、更符合正态假设，这是模型推断可靠的基础。

6. 常见问题与排查技巧实录

在实际操作中，你肯定会遇到各种意外情况。下面是我总结的一些高频问题和解决思路。

6.1 检验结果矛盾或与图形不一致怎么办？

场景：Shapiro-Wilk检验p值>0.05，但Q-Q图看起来明显偏离直线；或者相反，图形看起来还行，但检验p值很小。

• 可能原因1：样本量效应。小样本时，检验功效低，图形可能因随机波动显得不规则，此时应更相信检验结果（但需谨慎）。大样本时（n>1000），检验非常敏感，微小的、无实际意义的偏离也会导致p值极小，此时应更重视图形判断和效应量（如偏度/峰度的绝对值大小），而不是死守p<0.05。
• 可能原因2：异常值干扰。一两个极端异常值会严重扭曲统计检验结果（尤其是基于矩的检验）和图形。解决方法是：先做异常值检测和处理。可以使用箱线图或3σ原则识别异常值，考虑其合理性后决定是修正、删除还是保留。然后对处理后的数据重新检验。
• 行动指南：永远坚持“图形为主，数值为辅”的原则。结合直方图、Q-Q图、箱线图综合判断。如果图形显示只有轻微偏离，且样本量大，可以认为数据“近似正态”，许多统计方法（如t检验、回归）具有稳健性，可以继续使用。

6.2 数据中包含零或负值，无法进行对数/Box-Cox变换？

场景：你的数据是某种收益（可能为负）或计数（包含大量零）。

• 对于包含零的正值数据：常用log(x + 1)或log(x + c)，其中c是一个小的正常数（如1，或最小正值的1/2）。但需注意，加常数c的选择是任意的，会影响结果。Yeo-Johnson变换是更好的选择，因为它能天然处理零和负值。
• 对于包含负值的数据：绝对不要直接取对数。可以考虑：
  1. Yeo-Johnson变换：首选方案。
  2. 先平移后变换：如果数据范围有界，可以给所有数据加上一个常数，使其全部变为正值，再进行Box-Cox变换。但平移量是主观的，且会改变分布形状，需在报告中明确说明。
  3. 放弃变换，使用非参数方法或广义线性模型：如果变换困难或解释不清，这是更干净的选择。

6.3 多组数据需要分别检验，如何高效处理？

场景：你的数据集有一个分类变量（如“城市”、“产品类型”），需要检验每个类别下的数据是否正态。

• 避免手动循环：使用pandas的groupby结合apply函数。

def shapiro_test_for_group(series): """对每个分组进行S-W检验，返回统计量和p值""" if len(series) < 3: # Shapiro-Wilk要求样本量至少为3 return pd.Series([np.nan, np.nan], index=[‘W‘, ‘p-value‘]) stat, p = stats.shapiro(series) return pd.Series([stat, p], index=[‘W‘, ‘p-value‘]) # 假设df有‘value‘列和‘group‘列 normality_results = df.groupby(‘group‘)[‘value‘].apply(shapiro_test_for_group).unstack() print(normality_results)

• 批量可视化：使用seaborn的FacetGrid或displot的col/row参数，可以一次性为每个子组绘制分布图或Q-Q图，便于对比。

6.4 时间序列数据的正态性检验有何特殊之处？

场景：检验股票收益率、每日气温等时间序列数据是否正态。

• 核心问题：时间序列数据常具有自相关性（今天的值影响明天的值），这违反了大多数统计检验（包括正态性检验）的“独立同分布”假设。直接检验可能失效。
• 正确做法：先对序列进行建模，然后检验模型的残差是否正态。例如，对收益率序列，你可能先建立一个ARIMA或GARCH模型，然后对标准化后的残差进行正态性检验。如果残差正态，说明模型已很好地捕捉了数据的非正态特征（如波动聚集）。

6.5 在数学建模论文中如何规范地报告正态性检验结果？

不能只写一句“数据通过了正态性检验”。规范的报告应包括：

1. 检验方法：明确说明使用了哪种检验（如Shapiro-Wilk检验），并简述选择理由（如“由于样本量n=30<50，故选用功效较高的S-W检验”）。
2. 检验统计量与p值：报告具体的统计量值和精确p值（例如，W=0.982, p=0.674），而不是简单的“p>0.05”。
3. 可视化证据：在论文附录或正文中附上关键变量的直方图（带正态曲线）和Q-Q图。
4. 结论陈述：基于α=0.05的显著性水平，给出结论。例如：“Shapiro-Wilk检验结果显示p=0.674>0.05，且Q-Q图散点大致沿对角线分布，故认为该变量数据满足正态性假设。”
5. 处理措施：如果数据不满足正态性，说明你采取了何种处理（如数据变换，并报告变换公式及变换后的检验结果）或为何仍使用参数方法（如基于中心极限定理或方法的稳健性）。

最后，记住正态性检验是工具，不是目的。它的最终目标是服务于更可靠的模型构建和统计推断。养成在建模前先进行探索性数据分析（EDA）和正态性诊断的习惯，能让你避开许多隐蔽的陷阱，建立对数据更深刻的直觉。