在心理学研究中，经常需要进行统计分析，特别是假设检验。如果进行参数检验，数据还需要满足一些条件，例如，数据符合正态分布。其实，不少研究者在统计分析之前，往往不对数据进行正态分布检验。这当然是不合要求的。然而，一般而言，样本数据分布的正态性远比人们想像的要常见和稳健。

请看一个例子：研究者让16名被试分为3组，分别观看3种不同类型的电影，在观看电影之前与之后测量他们的焦虑水平。焦虑指标有3个，分别是焦虑自评、脉搏、呼吸率。前测的数据是协变量，后测的数据是因变量。

对于后测数据，使用SPSS统计软件，可以得到这3个因变量的直方图（见图1、图2、图3）。

图1 后测的焦虑自评直方图

图2 后测的脉搏直方图

图3 后测的呼吸率直方图

它们是正态分布吗？

从直方图来看，它们显得均不是正态分布。不过，再看加了正态分布曲线的情况（见图4、图5、图）。

图4 后测的焦虑自评直方图及对应的正态曲线

Skewness=-.072, SE=.564;Kurtosis=-.892, SE=1.091.

图5 后测的脉搏直方图及对应的正态曲线

Skewness=.852, SE=.564; Kurtosis=-.225, SE=1.091.

图6 后测的呼吸率真直方图及对应的正态曲线

Skewness=.033, SE=.564; Kurtosis=-.406, SE=1.091.

由图4~图6可见，观看后的焦虑评定和呼吸率的分布是正态的，而观看后的脉搏则是有点正偏态的——不过，这不是什么大问题（0.852/0.564 = 1.511）。因此，从统计的角度讲，数据分布的正态性远比研究者直观的感受要常见和稳健。这应该为许多心理学研究者纠结数据是否正态分布提供了有益的参考。