「Shapiro-Wilk検定」を取り巻く中核キーワード群です。 検索やインデックス作成で参照する際の手がかりにしてください。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になります。
最も忙しい読者のために、 まず結論だけまとめます。 詳細は以下のセクションへ：
「t 検定の前に正規性を確認しなさい」と教科書に書いてある — そのときに使う代表的検定。 ただし、 大標本では「ほぼ正規」でも棄却されるので注意。
このページの読み方：まず 30秒結論 と 直感 を読み、 必要に応じて 数式 や 計算例、 落とし穴 に進んでください。
ヒストグラムを描いて「だいたい釣鐘型かな？」と目で判断するのを、 数値化 したのが W 統計量。
QQ プロットで「点が直線に乗るか」を見るのと数学的に等価です。
分母は標本分散（×$n-1$）、 分子は順序統計量と理論値の内積の二乗。 正規ならこの比が 1 に近い。
SSDSE-B の TFR が正規分布に従うかチェック：
scipy.stats.shapiro で W と p 値を計算常に QQ プロットや histogram と併用して判断することを推奨。
最小再現コード。 SSDSE-B のような実データを前提に、 4〜8 行で動く例です：
import pandas as pd
from scipy import stats
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1)
tfr = df['合計特殊出生率'].dropna().values
W, p = stats.shapiro(tfr)
print(f'W = {W:.4f}, p = {p:.4f}')
print('正規性棄却' if p < 0.05 else '正規性は棄却されず')
補足：ライブラリのバージョンや前処理状態によって出力は変わります。 自分の環境で動かすときは pip list でバージョンを確認し、 入力 CSV のパス・列名を実態に合わせてください。
Shapiro-Wilk検定 を実務で扱うとき、 多くの分析者が同じところでつまずきます。 代表的な失敗パターンを先回りで押さえておくと、 後工程のトラブルを大幅に減らせます。
※ 上記は文献調査・現場経験で報告される頻度の高い注意点。 ドメインや手法のバージョンによって追加の落とし穴がある場合があります。
Shapiro-Wilk検定 は「仮説検定」分野の中で発展してきた概念・手法です。 学術的には継続的な研究で精緻化され、 実務的にはツール・ライブラリの普及で誰でも使えるようになってきました。 用語の使い方・意味は時代と分野で少しずつ変わるため、 文脈に応じた解釈が大切です。 入門書だけでなく、 標準的な教科書（例：データサイエンス・統計学の定本）や信頼できるオンライン教材も併用すると、 ぶれない理解に近づけます。
「Shapiro-Wilk検定」は単独で完結する概念ではなく、 より大きな分野の一部です。 上位カテゴリの教材を読むことで、 この用語の 位置づけ が立体的に見えてきます：