Prüfung auf Normalverteilung

Variablen in SPSS auf Normalverteilung Prüfen

Viele parametrische Statistiken liefern die besten Ergebnisse, wenn die Variablen (etwa) normalverteilt sind, und die meisten Statistiken, die wir verwenden, sind parametrisch. Allerdings zeigen gerade jüngere Simulationsstudien, dass die Voraussetzung auf Normalverteilung die unwichtigste aller Voraussetzungen ist (Salkind, 2010). Zusätzlich entfällt diese Voraussetzung meisten, wenn die Stichprobe ausreichend groß ist. Nichtdestotrotz: Sind die Variablen (etwa) normalverteilt, dann ist die Power des Verfahrens am größten.

Normalverteilung und SPSS

SPSS stellt mehrere Testverfahren zur Verfügung, mit denen die Normalverteilung überprüft werden kann. In diesem Artikel werden wir vier davon genauer betrachten:

Die ersten beiden Verfahren in der Liste sind statistische Prüfverfahren, die einen p-Wert liefern werden. Bei ausreichend kleinem p-Wert gehen wir bei diesen Tests davon aus, dass die Daten nicht normalverteilt sind. Die letzten beiden Verfahren sind rein grafisch und vergleichen die tatsächlichen Daten mit Daten, die wir bei einer perfekten Normalverteilung erwarten würden.

Literaturverzeichnis

  1. Ghasemi, A., & Zahediasl, S. (2012). Normality Tests for Statistical Analysis: A Guide for Non-Statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489. doi:10.5812/ijem.3505
  2. Lumley, T., Diehr, P., Emerson, S., & Chen, L. (2002). The importance of the normality assumption in large public health data sets. Annual review of public health, 23(1), 151-169.
  3. Salkind, N. J. (Ed.). (2010). Encyclopedia of research design (Vol. 1). Sage.
  4. Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 591-611.
  5. Steinskog, D. J., Tjøstheim, D. B., & Kvamstø, N. G. (2007). A cautionary note on the use of the Kolmogorov-Smirnov test for normality. Monthly Weather Review, 135(3), 1151-1157.