انتخاب بین آزمون کولموگروف-اسمیرنوف (K-S) و شاپیرو-ویلک (S-W) یکی از چالش‌های همیشگی در تحلیل داده‌هاست. هر دو آزمون یک هدف دارند: بررسی اینکه آیا توزیع داده‌های شما با توزیع نرمال تفاوت معناداری دارد یا خیر. اما دقت و قدرت آن‌ها در شرایط مختلف، کاملاً متفاوت است.
در ادامه، راهنمای دقیق انتخاب بین این دو آزمون را مطالعه کنید:

شاپیرو-ویلک (Shapiro-Wilk)؛ قهرمان نمونه‌های کوچک 🥇
این آزمون به طور کلی قدرتمندترین آزمون برای تشخیص عدم نرمالیتی است.
• چه زمانی استفاده کنیم؟ بهترین انتخاب برای نمونه‌هایی با حجم کمتر از ۵۰ یا ۱۰۰ مورد است. البته بسیاری از آماردانان معتقدند برای نمونه‌های تا ۲۰۰۰ مورد هم شاپیرو-ویلک بهترین عملکرد را دارد.
• نقطه قوت: بسیار حساس است و حتی انحراف‌های کوچک از نرمالیتی را به خوبی تشخیص می‌دهد.
• نقطه ضعف: در نمونه‌های بسیار بزرگ (مثلاً بالای ۵۰۰۰ مورد)، این آزمون «بیش از حد» حساس می‌شود؛ یعنی ممکن است یک انحراف بسیار جزئی و بی‌اهمیت را «معنی‌دار» گزارش کند و به اشتباه بگوید داده نرمال نیست.

کولموگروف-اسمیرنوف (K-S)؛ سنتی و برای نمونه‌های بزرگ 🥈
این آزمون قدیمی‌تر است و در اکثر نرم‌افزارها مانند SPSS در کنار شاپیرو گزارش می‌شود.
• چه زمانی استفاده کنیم؟ معمولاً زمانی که حجم نمونه بالای ۵۰ یا ۱۰۰ مورد باشد، از این آزمون استفاده می‌شود.
• شرط مهم (Lilliefors): آزمون K-S استاندارد زمانی دقیق است که میانگین و انحراف معیار جامعه را از قبل بدانیم (که تقریباً هرگز نمی‌دانیم!). بنابراین در نرم‌افزاری مثل SPSS، حتماً باید به نتایج با اصلاحیه لیلیفورز (Lilliefors Correction) استناد کنید.
• نقطه ضعف: قدرت آماری کمتری نسبت به شاپیرو دارد؛ یعنی ممکن است داده‌ای واقعاً نرمال نباشد، اما K-S نتواند آن را تشخیص دهد (خطای نوع دوم).

تفاوت کلیدی در نحوه محاسبه 🧐
تفاوت این دو در «زاویه دید» آن‌ها به داده‌هاست:
۱. آزمون K-S: فقط به بزرگترین اختلاف بین نمودار توزیع داده‌های شما و نمودار توزیع نرمال ایده‌آل نگاه می‌کند. اگر فقط در یک نقطه اختلاف زیاد باشد، K-S واکنش نشان می‌دهد.
۲. آزمون شاپیرو-ویلک: به تمام داده‌ها و نحوه قرارگیری آن‌ها در کل منحنی نگاه می‌کند. این آزمون بررسی می‌کند که چقدر همبستگی بین داده‌های شما و یک توزیع نرمالِ هم‌وزن وجود دارد. به همین دلیل دقیق‌تر است.

جمع‌بندی نهایی: کدام را گزارش کنیم؟ 📝
اگر در حال نوشتن مقاله یا پایان‌نامه هستید، این استراتژی را دنبال کنید:
• نمونه کوچک (N < 50): فقط به Shapiro-Wilk استناد کنید. K-S در این حجم نمونه قدرت بسیار کمی دارد.
• نمونه متوسط (50 < N < 300): باز هم Shapiro-Wilk پیشنهاد می‌شود، اما می‌توانید هر دو را چک کنید. اگر اختلاف داشتند، شاپیرو معتبرتر است.
• نمونه بسیار بزرگ (N > 1000): به Kolmogorov-Smirnov (با اصلاحیه لیلیفورز) نگاه کنید، چون شاپیرو در اینجا زیادی حساس می‌شود.

یک راز حرفه‌ای: فقط به اعداد اکتفا نکنید! 💡
در مجلات Q1، داوران فقط به P-Value آزمون‌های نرمالیتی راضی نمی‌شوند. حتماً در کنار این آزمون‌ها، از نمودار Q-Q Plot و بررسی چولگی (Skewness) و کشیدگی (Kurtosis) استفاده کنید. اگر نمودار Q-Q نشان دهد که نقاط روی خط راست هستند، حتی اگر آزمون شاپیرو بگوید داده نرمال نیست، می‌توانید با احتیاط فرض نرمالیتی را بپذیرید.


- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱