Normalverteilung prüfen: erst die richtige Größe, dann die passende Diagnose

1. Die Annahme im konkreten Modell verorten

Ein Histogramm aller Spalten ist keine vollständige Voraussetzungskontrolle. Bei klassischer linearer Regression betrifft die Normalitätsannahme für die entsprechende modellbasierte Inferenz die Fehler, nicht pauschal die Verteilung jeder erklärenden Variable. Residuen dienen als beobachtbare Diagnosehilfe. NIST beschreibt daneben Unabhängigkeit und gleichbleibende Streuung als weitere wichtige Modellannahmen. Ein unauffälliger Normalitätscheck bestätigt diese anderen Eigenschaften nicht. Notiere daher zuerst Verfahren, Zielgröße, Untersuchungseinheit und die Größe, deren Verteilung du tatsächlich prüfen möchtest.

Im eigenen fiktiven Projekt modellierst du Bearbeitungszeiten anhand einer Aufgabenbedingung. Unterschiedliche Gruppenmittel können im gemeinsamen Histogramm eine ungewöhnliche Form erzeugen, obwohl die relevante Fehlerstruktur anders aussieht. Erstelle deshalb keine allgemeine Ja-Nein-Liste Normalverteilung erfüllt für den gesamten Datensatz. Beschreibe den Modellbezug. Bei einem gepaarten Vergleich ist wiederum die Verteilung der Paardifferenzen relevant. Wenn du nicht sicher bestimmen kannst, welche Größe die Annahme betrifft, kläre das vor der Berechnung mit der statistischen Betreuung.

Weiterführend: NIST/SEMATECH: Check of assumptions

2. Im Q-Q-Plot Art und Lage der Abweichung betrachten

Ein Normalwahrscheinlichkeitsplot vergleicht geordnete Werte mit einer theoretischen Normalverteilung. NIST erläutert, dass eine ungefähr geradlinige Anordnung mit diesem Modell vereinbar ist und systematische Abweichungen Hinweise auf andere Verteilungsformen liefern. Einzelne Punkte müssen nicht exakt auf einer Linie liegen. Schau besonders darauf, ob die Mitte anders aussieht als die Ränder oder ob eine erkennbare Krümmung vorliegt. Die Grafik liefert eine Diagnose, keine automatische Bescheinigung, dass ein ganzes Analysemodell korrekt ist.

Lege für dein eigenes Projekt neben der Grafik eine kurze Beobachtungsnotiz an. Beschreibe zunächst nur, was sichtbar ist: etwa eine annähernd lineare Mitte und deutlich abweichende Randpunkte. Trenne anschließend mögliche Erklärungen davon. Vielleicht liegen gültige Extremwerte vor, vielleicht ein Datenfehler oder ein unpassendes Modell. Prüfe diese Möglichkeiten an Herkunft und Design. Entferne keine Beobachtung allein deshalb, damit die Punkte besser auf der Linie liegen. Das wäre eine Veränderung der Datenbasis zugunsten einer gewünschten Diagnose.

Weiterführend: NIST/SEMATECH: Normal Probability Plot

3. Einen Normalitätstest nicht als Wahrheitsnachweis lesen

Der Shapiro-Wilk-Test prüft eine Normalitätshypothese. Die R-Dokumentation nennt für ihre Implementierung zwischen drei und fünftausend nicht fehlende Werte und beschreibt den ausgegebenen p-Wert als näherungsweise berechnet, abgesehen von einem speziellen Kleinstfall. Diese technischen Grenzen gehören zur konkreten Funktion, nicht zu einer allgemeinen Regel über die Qualität deiner Stichprobe. Ein nicht kleiner p-Wert beweist keine Normalverteilung. Ein kleiner p-Wert ist umgekehrt noch keine vollständige Antwort auf die Frage, welches Verfahren für dein Erkenntnisziel angemessen ist.

Für deine Dokumentation brauchst du mehr als die Meldung Test nicht signifikant. Halte fest, welche Werte geprüft wurden und welche Grafik die Entscheidung begleitet. Bei Modellresiduen darf ein Standardtest für unabhängige Rohbeobachtungen nicht ohne Weiteres als exakte Modellprüfung ausgegeben werden, weil die Residuen aus einer Schätzung stammen. Nutze die Diagnose im passenden methodischen Rahmen. Wenn mehrere Gruppen oder Bedingungen existieren, muss zudem klar sein, ob du sie sinnvoll getrennt oder im Modell zusammen geprüft hast.

Weiterführend: R Core: Shapiro-Wilk Normality Test

4. Nicht automatisch zu einem anderen Test springen

Eine auffällige Diagnose verlangt eine begründete Entscheidung. Frage zunächst nach Datenqualität, Design und Ziel der Schätzung. Ein rangbasiertes Verfahren beantwortet nicht in jeder Situation dieselbe Frage wie ein Mittelwertvergleich. Eine Transformation verändert die Skala und damit möglicherweise die Interpretation. Ein anderes Modell kann sinnvoll sein, muss aber zur Forschungsfrage passen. Wähle keine Variante bloß deshalb, weil sie einen günstigeren p-Wert liefert. Beschreibe, weshalb die Alternative für die vorliegenden Daten und das gewünschte Ergebnis angemessen ist.

Im fiktiven Bearbeitungszeitprojekt könnte eine starke Rechtsschiefe sachlich plausibel sein. Prüfe, ob ein Modell für positive schiefe Zeiten oder eine begründete Transformation infrage kommt. Das lässt sich nicht allein aus einem Screenshot entscheiden. Notiere deine erwogenen Optionen und bespreche sie mit der Betreuung, bevor du das endgültige Ergebnis formulierst. Wenn du eine ergänzende Analyse verwendest, kennzeichne deren Rolle. Unterschiedliche Verfahren dürfen nicht als austauschbare Stimmen in einer Abstimmung über die gewünschte Schlussfolgerung behandelt werden.

5. Die Diagnose mit der Analyseentscheidung verknüpfen

Berichte kompakt, welche Voraussetzungen du wie geprüft hast, welche Auffälligkeiten blieben und wie sie deine Entscheidung beeinflussten. Eine Sammlung von Softwareausdrucken ohne Interpretation hilft wenig. Achte darauf, dass die Diagnose zum finalen Modell gehört. Wenn du später Variablen oder Fälle änderst, können alte Residuenplots nicht unverändert als Beleg dienen. Kontrolliere außerdem die übrigen Annahmen, die dein Verfahren benötigt. Eine passende Verteilungsform kann Abhängigkeiten, falsche Paarungen oder ein ungeeignetes Messniveau nicht ausgleichen.

Der Abschlusswerk-Statistikassistent kann dich bei der Strukturierung methodischer Fragen unterstützen. Er ersetzt keine Prüfung der tatsächlichen Daten und bestätigt keine Modellvoraussetzungen. Beschreibe für eine Rückfrage das Design und den konkreten Diagnosegegenstand, ohne identifizierende Daten zu übermitteln. Als Endkontrolle sollte jemand aus deiner Dokumentation erkennen können, warum genau diese Grafik und gegebenenfalls dieser Test zur Analyse gehören. Damit wird aus einem routinemäßigen Klick auf Normalität prüfen eine nachvollziehbare statistische Entscheidung.