Test Shapiro–Wilka jest jednym z najczęściej wykorzystywanych sposobów sprawdzania normalności rozkładu. W pracach dyplomowych wynik tego testu bywa jednak interpretowany zbyt mechanicznie: p mniejsze od 0,05 prowadzi od razu do rezygnacji z testu t, analizy wariancji albo regresji, a p większe od 0,05 zostaje opisane jako dowód, że rozkład „jest normalny”.
Oba skróty są nieprecyzyjne. Wynik Shapiro–Wilka trzeba oceniać razem z liczebnością próby, histogramem, wykresem Q–Q, obserwacjami odstającymi i założeniami konkretnej analizy. Ważne jest również to, który rozkład powinien być sprawdzany: czasem chodzi o wynik w każdej grupie, czasem o różnice między parami, a w regresji przede wszystkim o reszty modelu.
Ten poradnik pokazuje, jak wykonać test Shapiro–Wilka w Jamovi, jak interpretować statystykę W i wartość p oraz jak zdecydować, czy odstępstwo od normalności rzeczywiście ma znaczenie dla dalszej analizy.
Co oznacza założenie normalności?
Rozkład normalny jest symetryczny, ma jeden wyraźny szczyt, a większość wyników znajduje się w pobliżu średniej. Im dalej od środka rozkładu, tym obserwacji jest mniej. W idealnym rozkładzie normalnym średnia, mediana i dominanta znajdują się w tym samym miejscu.
W realnych badaniach dane niemal nigdy nie odwzorowują tego kształtu idealnie. Pytanie nie brzmi więc: „czy próba jest doskonale normalna?”, lecz raczej: „czy obserwowane odstępstwa są na tyle duże, że mogą podważyć wnioskowanie z wybranej metody?”.
Założenie normalności występuje w wielu metodach parametrycznych, ale nie zawsze dotyczy surowej zmiennej w całej próbie. Najczęściej ocenia się:
- rozkład zmiennej zależnej w analizowanych grupach;
- rozkład różnic między dwoma pomiarami zależnymi;
- rozkład reszt w ANOVA i modelach regresji;
- rozkład pojedynczej zmiennej w teście t dla jednej próby;
- obserwacje odstające i asymetrię, które mogą wpływać na średnią oraz błąd standardowy.
Normalność nie jest cechą badania „raz na zawsze”. Ten sam zbiór może wymagać innej diagnostyki w zależności od modelu i pytania badawczego.
Co sprawdza test Shapiro–Wilka?
Test Shapiro–Wilka porównuje uporządkowane wyniki z wartościami oczekiwanymi przy rozkładzie normalnym. Statystyka W opisuje, jak dobrze obserwowany układ danych odpowiada temu wzorcowi. Wartości W bliższe 1 zwykle oznaczają lepszą zgodność, ale sama wartość W nie ma jednego uniwersalnego progu obowiązującego dla każdej liczebności.
Hipotezy testu są następujące:
- H0: dane pochodzą z populacji o rozkładzie normalnym;
- H1: rozkład danych różni się od normalnego.
Jeżeli p jest mniejsze od przyjętego poziomu alfa, na przykład 0,05, odrzucamy H0 i uznajemy, że dane dostarczają podstaw do stwierdzenia odstępstwa od normalności. Gdy p jest większe lub równe 0,05, nie odrzucamy H0. Nie oznacza to udowodnienia idealnej normalności — test mógł po prostu nie wykryć odstępstwa w danej próbie.
| Wynik testu | Decyzja statystyczna | Poprawna interpretacja |
|---|---|---|
| p < 0,05 | odrzucenie H0 | istnieją podstawy do uznania, że rozkład odbiega od normalnego |
| p ≥ 0,05 | brak podstaw do odrzucenia H0 | test nie wykazał istotnego odstępstwa od normalności |
| W blisko 1 | większa zgodność z wzorcem | wynik trzeba nadal ocenić razem z p, liczebnością i wykresami |
Nie pisz, że p = 0,21 „potwierdza normalność”. Bezpieczniejsze sformułowanie brzmi: „test Shapiro–Wilka nie wykazał istotnego odstępstwa od rozkładu normalnego”.
Jak wykonać test Shapiro–Wilka w Jamovi?
W Jamovi otwórz:
Analizy → Eksploracja → Statystyki opisowe
W angielskim interfejsie:
Analyses → Exploration → Descriptives
Przenieś analizowaną zmienną do pola Variables. Następnie w sekcji statystyk zaznacz Shapiro–Wilk test, a w sekcji wykresów:
- histogram;
- wykres Q–Q;
- wykres pudełkowy;
- opcjonalnie wykres gęstości lub skrzypcowy.
Jeżeli porównujesz grupy, przenieś zmienną grupującą do pola Split by. Dzięki temu Jamovi przygotuje statystyki i wykresy osobno dla każdej grupy. Sprawdzenie jednego łącznego rozkładu może być mylące, ponieważ dwie prawidłowo zachowujące się grupy o różnych średnich mogą po połączeniu utworzyć rozkład dwuszczytowy.
Przed uruchomieniem analizy upewnij się, że zmienna ma właściwy poziom pomiaru i nie zawiera błędnie zakodowanych braków danych. Wartość 999 wpisana zamiast braku może utworzyć sztuczną obserwację odstającą i całkowicie zmienić wynik testu. Pomocny będzie poradnik jak przygotować dane do analizy w Jamovi.
Jak odczytać W i wartość p?
Jamovi raportuje statystykę W oraz p. Przykładowy wynik może wyglądać tak:
| Zmienna | W | p | Wniosek |
|---|---|---|---|
| satysfakcja ze studiów | 0,987 | 0,430 | brak podstaw do odrzucenia normalności |
| czas wykonania zadania | 0,913 | 0,003 | istotne odstępstwo od normalności |
Pierwszy wynik nie dowodzi, że rozkład jest idealnie normalny. Oznacza jedynie, że w tej próbie test nie wykazał istotnego odstępstwa. W drugim przypadku p = 0,003 dostarcza podstaw do odrzucenia H0, ale nadal nie mówi, jak wygląda problem. Przyczyną może być asymetria, ciężkie ogony, kilka wartości odstających albo mieszanina różnych podgrup.
Statystyka W pomaga ocenić stopień zgodności, lecz jej interpretacja zależy od liczebności. W dwóch próbach wartość W = 0,96 może prowadzić do innego p, jeżeli jedna próba liczy 20 osób, a druga 500. Dlatego nie ustalaj własnego progu w rodzaju „W powyżej 0,90 oznacza normalność”.
Dlaczego trzeba obejrzeć histogram i wykres Q–Q?
Test istotności odpowiada na pytanie, czy wykryto odstępstwo, ale nie pokazuje jego charakteru. Histogram pozwala ocenić symetrię, liczbę szczytów i długość ogonów. Wykres pudełkowy ułatwia znalezienie obserwacji odstających. Wykres Q–Q porównuje kwantyle obserwowane z kwantylami oczekiwanymi dla rozkładu normalnego.
Jeżeli punkty na Q–Q plot układają się w przybliżeniu wzdłuż prostej, rozkład jest zbliżony do normalnego. Systematyczne wygięcie punktów może wskazywać asymetrię, a silne odchylenia na końcach — nietypowe ogony lub obserwacje skrajne.
Jak czytać wykres Q–Q?
Pomarańczowe punkty leżą blisko linii odniesienia i pokazują rozkład zbliżony do normalnego. Turkusowa seria odgina się w górnej części wykresu, co odpowiada prawemu ogonowi rozkładu skośnego.
Najedź na punkty, aby porównać kwantyle teoretyczne i obserwowane. Dane są syntetyczne i służą wyłącznie do nauki interpretacji.
Nie oceniaj normalności wyłącznie na podstawie tego, czy histogram „przypomina dzwon”. Przy małej próbie słupków jest niewiele, a ich wygląd silnie zależy od szerokości przedziałów. Q–Q plot jest zwykle bardziej informacyjny w odniesieniu do konkretnego wzorca rozkładu.
Jak liczebność próby wpływa na wynik?
Moc testu Shapiro–Wilka zależy od liczebności. W małej próbie nawet widoczna asymetria może nie dać p mniejszego od 0,05, ponieważ test ma mało informacji. Brak istotności nie powinien więc zastępować oględzin wykresów.
W dużej próbie test może wykryć drobne, praktycznie mało istotne odejście od idealnego rozkładu. Wtedy p może być bardzo małe, choć Q–Q plot pokazuje tylko niewielkie odchylenie, a planowana metoda parametryczna pozostaje wystarczająco odporna.
| Wielkość próby | Typowe ograniczenie interpretacji | Co sprawdzić dodatkowo? |
|---|---|---|
| mała | niewielka moc i ryzyko niewykrycia odstępstwa | Q–Q plot, histogram, wartości odstające i sens pomiaru |
| średnia | test i wykresy zwykle wzajemnie się uzupełniają | wielkość oraz rodzaj odchylenia |
| duża | możliwość wykrycia bardzo drobnych odstępstw | znaczenie praktyczne, odporność metody i diagnostyka reszt |
Nie ma jednej granicy liczebności, po której można zignorować wszystkie założenia. Odporność zależy również od równowagi grup, siły asymetrii, wartości odstających i rodzaju testu.
Który rozkład trzeba sprawdzać?
Jednym z najczęstszych błędów jest testowanie normalności niewłaściwej zmiennej. Diagnostyka powinna odpowiadać modelowi:
| Planowana analiza | Co oceniać? |
|---|---|
| test t dla jednej próby | rozkład analizowanej zmiennej |
| test t dla dwóch grup niezależnych | rozkład wyniku w każdej grupie lub reszty modelu |
| test t dla prób zależnych | rozkład różnic między parami, a nie oba pomiary osobno |
| ANOVA | reszty modelu oraz zachowanie wyniku w grupach |
| korelacja Pearsona | liniowość, wartości odstające i rozkład pary zmiennych; sama osobna normalność każdej kolumny nie wyczerpuje założeń |
| regresja liniowa | przede wszystkim rozkład reszt, nie surowe predyktory |
W regresji zmienna niezależna nie musi mieć rozkładu normalnego. Sprawdzanie Shapiro–Wilka osobno dla każdego predyktora nie jest właściwą diagnozą założenia modelu. Zobacz dokładną procedurę w artykule o regresji liniowej w Jamovi.
W teście t dla prób zależnych analizowanym wynikiem jest różnica między pomiarem „po” i „przed”. Dwa pomiary mogą osobno wyglądać normalnie, a ich różnice — nie. Może też wystąpić sytuacja odwrotna.
Czy p < 0,05 oznacza konieczność użycia testu nieparametrycznego?
Nie. Istotny Shapiro–Wilk jest sygnałem do dalszej diagnostyki, a nie automatycznym przełącznikiem metody. Najpierw:
- sprawdź, czy nie ma błędów kodowania lub jednostek;
- obejrzyj Q–Q plot, histogram i wykres pudełkowy;
- ustal, czy problem dotyczy asymetrii, ogonów, wartości odstających czy połączenia podgrup;
- sprawdź liczebność i równowagę grup;
- oceń odporność planowanego testu;
- porównaj wyniki z rozsądną analizą alternatywną.
Możliwe rozwiązania obejmują poprawę danych, uzasadnioną transformację, metodę odporną, przedziały ufności uzyskane metodą bootstrap albo test nieparametryczny. Wybór powinien wynikać z pytania badawczego i skali pomiaru, a nie z jednej komórki tabeli.
Jeżeli dwie grupy są niezależne, alternatywą może być test U Manna–Whitneya. Dla dwóch pomiarów powiązanych stosuje się test Wilcoxona, a dla co najmniej trzech grup niezależnych — Kruskala–Wallisa. Różnice między tymi metodami opisuje poradnik o testach nieparametrycznych w Jamovi.
Jak opisać wynik w pracy dyplomowej?
W metodologii podaj, co sprawdzano, jakim testem i jakimi wykresami. W wynikach przedstaw W, p oraz wniosek bez stwierdzania, że nieistotny test „udowodnił normalność”.
Przykład wyniku nieistotnego
Normalność rozkładu różnic między pomiarami oceniono za pomocą testu Shapiro–Wilka i wykresu Q–Q. Test nie wykazał istotnego odstępstwa od rozkładu normalnego, W = 0,982; p = 0,274. Punkty na wykresie Q–Q układały się w przybliżeniu wzdłuż linii odniesienia.
Przykład wyniku istotnego
Test Shapiro–Wilka wykazał odstępstwo rozkładu czasu wykonania zadania od rozkładu normalnego, W = 0,913; p = 0,003. Histogram i wykres Q–Q wskazywały prawostronną asymetrię, dlatego wynik opisano medianą i IQR, a do porównania grup zastosowano test U Manna–Whitneya.
Jeżeli sprawdzasz kilka zmiennych lub grup, nie ograniczaj opisu do listy wartości p. Wskaż, które rozkłady budziły zastrzeżenia i w jaki sposób wpłynęło to na wybór analizy. Przykłady zapisu samych testów znajdziesz w poradniku jak opisać test t, ANOVA i chi-kwadrat w Jamovi.
Najczęstsze błędy
- Stwierdzenie, że p ≥ 0,05 dowodzi normalności rozkładu.
- Automatyczna zamiana każdego testu parametrycznego na nieparametryczny po uzyskaniu p < 0,05.
- Sprawdzanie połączonego rozkładu zamiast rozkładów w grupach.
- Testowanie obu pomiarów osobno zamiast różnic w teście dla prób zależnych.
- Badanie normalności predyktorów zamiast reszt regresji.
- Pomijanie histogramu, Q–Q plot i obserwacji odstających.
- Usuwanie wartości odstających tylko po to, aby uzyskać nieistotny Shapiro–Wilk.
- Raportowanie wyłącznie p bez statystyki W i informacji o analizowanej zmiennej.
- Używanie arbitralnego progu W bez uwzględnienia liczebności.
- Mylenie normalności z jednorodnością wariancji — są to różne założenia.
Lista kontrolna oceny normalności
- Czy sprawdzam rozkład właściwy dla planowanej analizy?
- Czy błędne kody braków danych nie stały się wartościami liczbowymi?
- Czy oceniłem wyniki osobno w grupach albo zbadałem reszty?
- Czy oprócz Shapiro–Wilka obejrzałem histogram i Q–Q plot?
- Czy sprawdziłem obserwacje odstające i ich źródło?
- Czy uwzględniłem liczebność próby oraz równowagę grup?
- Czy p ≥ 0,05 opisuję jako brak podstaw do odrzucenia H0?
- Czy p < 0,05 traktuję jako początek diagnostyki, a nie automatyczną decyzję?
- Czy w raporcie podaję W, p, nazwę zmiennej i wynik oględzin wykresów?
- Czy wybór dalszej metody odpowiada pytaniu badawczemu i poziomowi pomiaru?
FAQ
Co oznacza p większe od 0,05 w teście Shapiro–Wilka?
Oznacza brak podstaw do odrzucenia hipotezy o normalności przy przyjętym poziomie alfa. Nie jest dowodem, że rozkład jest idealnie normalny. Szczególnie przy małej próbie warto dokładnie obejrzeć Q–Q plot i histogram.
Co oznacza p mniejsze od 0,05?
Wynik wskazuje na statystycznie wykrywalne odstępstwo od rozkładu normalnego. Trzeba następnie sprawdzić jego charakter, liczebność próby i znaczenie dla planowanej metody.
Czy statystyka W musi być większa od 0,90?
Nie istnieje uniwersalny próg W obowiązujący dla każdej próby. W interpretacji uwzględnia się wartość p, liczebność oraz wykresy. Samo W = 0,90 albo W = 0,95 nie wystarcza do podjęcia decyzji.
Czy przy dużej próbie test Shapiro–Wilka ma sens?
Może dostarczyć informacji, ale często wykrywa również niewielkie odstępstwa. W dużej próbie szczególnie ważne są Q–Q plot, diagnostyka reszt, odporność metody i praktyczna skala problemu.
Czy testować normalność osobno w każdej grupie?
Przy porównywaniu niezależnych grup zwykle należy ocenić rozkład w grupach lub reszty odpowiedniego modelu. Łączny rozkład może ukrywać problem albo tworzyć pozorne odstępstwo.
Czy po istotnym Shapiro–Wilku zawsze wybiera się test nieparametryczny?
Nie. Najpierw trzeba wykluczyć błędy danych, obejrzeć wykresy, ocenić rodzaj odstępstwa i odporność planowanej analizy. Test nieparametryczny jest jedną z możliwości, a nie automatyczną konsekwencją.
Źródła i dalsza lektura
Jeżeli nie masz pewności, czy istotny Shapiro–Wilk zmienia wybór analizy, zobacz zakres analiz statystycznych albo prześlij opis badania i plik. Decyzję można wtedy oprzeć na projekcie badania, wykresach i wynikach, a nie tylko na jednej wartości p.
