如在文章里，我们通常会看到以下关于统计方法的描述。
对于数值变量，首先进行正态性检验，如果各组均满足正态性且两组间方差相等，采用均数（标准差）进行统计描述，采用t检验进行组间比较；否则采用中位数（四分位数间距）进行统计描述，采用非参数Wilcoxon秩和检验进行组间比较。对于分类变量，采用例数（百分比）的形式描述，组间比较采用χ2检验。
今天我们一起来看看如何“多快好省”的完成正态性检验。
导入数据
首先，在excel里全选数据集，右键复制。
然后，在Rstudio中，输入：
mydata<-read.delim("clipboard")
单变量正态性检验
查看age是否正态，输入：
shapiro.test(mydata$age)
输出：
结果解读：
因为本案例数据样本量<=5000，故选择Shapiro-Wilk检验（W检验），统计量w=0.98954，p=0.1503，可以认为age是符合正态性的。
多组多个变量正态性检验
下面我们来看看如何一口气做好每组的正态性检验，比如我们要检验不同bmi组的age、a、b、c、x、y是否符合正态性，输入：
install.packages("dplyr")library(dplyr)mydata[,c("age","a","b","c","x","y")]%>% group_by(mydata$bmig) %>% summarise_all(.funs = funs(p.value = shapiro.test(.)$p.value))
输出：
结果解读：
给出了不同bmi组的各变量正态性检验的p值，如果p>0.05，则认为符合正态性。以变量age为例，体重正常组age正态性检验p=0.795，符合正态性。需要注意的是，对于特别小的p值，用了科学计数法表示，如体重正常组变量a的正态性检验p值为7.29e-8，表示7.29*10-8，显然是小于0.05的。
代码使用技巧：
其他问题
如果样本量>5000呢，则采用修正的Kolmogorov-Smirnov检验（K-S检验），可用
nortest包中的lillie.test()函数来实现。
以ggplot2的diamonds数据集为例，输入：
library(ggplot2)head(diamonds)
输入：
install.packages("nortest")library(nortest)lillie.test(diamonds$price)输出：
