测试这些数据的正态性（具体来说，计算一些测试统计量并将其与真正来自正态分布的样本的预期测试统计量的分布进行比较）与以往一样有意义。如果这种测试是其他数据集工作流程的常见部分，并且您在阅读以下内容后认为它应该是，那么请继续在您当前的数据集上使用此测试。扩展该答案...

有一种强烈的观点（我同意），即正态性检验的许多常见应用都是愚蠢的。我们知道零假设是错误的/任何真实的数据集非常、非常、非常不可能实际上是正常的（数据是否有一些理论上的最小值或最大值？数据是测量到无限精度，还是只记录到一些有限的精度？有没有什么方法可以使数据不独立且同分布？）真正的问题是数据是否足够接近正态性以用于您当前的实际目的，例如线性模型是否会给出足够准确的答案。在测试$p$-value 可能是尝试回答这个问题的一种愚蠢的方式（链接的问题强调值对于大型数据集总是很小），对于中小型数据集可能是真的近似等效到“对于假设正态性有用的程序，数据足够接近正态性”。（出于这些目的值而不是固定的值可能会更好。）$p$$p>0.05$$W$$p$

你可以做一些数值实验来看看截断的影响有多大（对于大的截止值，平均值应该收敛到 0.5，因为 p 值分布将是，但是这个图非常嘈杂，因为p值的分布是高度可变的......）$U(0,1)$

set.seed(101)
cutvec <- seq(3,1,by=-0.1)
n <- 100
res <- sapply(cutvec,
      function(c) {
         x <- rnorm(n)
         mean(replicate(100000,shapiro.test(x[abs(x)<c])$p.value))
      })
library(ggplot2); theme_set(theme_bw())
ggplot(data.frame(cutvec,res),
       aes(cutvec,res))+
    geom_point()+
    scale_y_log10()+
    geom_smooth()+
    geom_hline(yintercept=0.5,lty=2)