正态性检验与方差齐性检验是统计学中两个独立但相关的概念，具体区别如下：
一、核心定义不同
正态性检验 用于判断数据是否服从正态分布。正态分布是一种常见的连续型概率分布，具有对称性，其均数、中位数和众数相等。许多统计方法（如t检验、ANOVA）要求数据满足正态性假设。
方差齐性检验
用于判断两个或多个总体的方差是否相等。即检验不同组数据的分散程度是否一致，是进行均数比较的前提条件之一。
二、应用场景不同
正态性检验： 在数据收集后初步探索数据分布时使用，例如通过直方图、QQ图或统计检验（如K-S检验、Shapiro-Wilk检验）判断数据是否符合正态分布。 方差齐性检验
三、检验方法不同
正态性检验常用方法 - 图形法：
QQ图（Q-Q图）、PP图（P-P图）通过数据分布与理论分布的拟合程度判断正态性。
- 统计法：Kolmogorov-Smirnov检验（K-S检验）、Shapiro-Wilk检验等。
方差齐性检验常用方法 - F检验：
通过计算F值（较大方差/较小方差）与临界值比较判断方差不齐。
- Levene检验：对残差进行正态性检验，适用于小样本情况。
四、结果解读不同
正态性检验：
P值 > 0.05：数据基本符合正态分布，可继续使用参数检验；
P值 ≤ 0.05：数据偏离正态分布，需考虑非参数检验或数据转换。
方差齐性检验：
P值 > 0.05：接受原假设，方差不齐；
P值 ≤ 0.05：拒绝原假设，方差不齐。
五、示例流程（以两独立样本均比较为例）
正态性检验：
使用SPSS的"探索性描述统计"或"正态性检验"功能，通过直方图、QQ图或Shapiro-Wilk检验判断数据正态性。
方差齐性检验：
使用SPSS的"单因素ANOVA"中的"莱文检验"或"Levene检验"功能，判断方差不齐。
后续分析：
- 若均满足正态性和齐性，使用两独立样本t检验；
- 若不满足，使用Mann-Whitney U检验（非参数检验）。
总结
正态性检验与方差齐性检验在统计分析中相辅相成，需先验证数据是否正态且方齐，再选择合适的参数检验方法。若任一假设不成立，需采用替代方案。