De oplossing zit hem in je zinsnede dat het om subtiliteiten gaat. Het gaat juist niet om subtiliteiten. Als een verdeling van steekproefscores normaal lijkt, dan is de kans dat je data-integriteit is geschonden laag.
Zie ook
http://oupsy.nl/help/2915 - die plotjes etc zijn alleen om je data-integriteit te beoordelen.
De verdeling van je steekproefscores hoeft niet normaal te zijn. De populatieverdeling hoeft ook niet normaal te zijn.
De enige verdeling die normaal verdeeld moet zijn is de steekproevenverdeling, en die is altijd normaal verdeeld.
Linksscheef en rechtsscheef, en spitsheid en platheid, zijn handige termen om verdelingsvormen te beschrijven. Dat die termen voor afwijking van normaliteit bestaan betekent niet dat elke verdeling ook normaal verdeeld moet zijn!
Je bestudeert verdelingsvormen om te verifieren dat je data-integriteit hebt: om situaties op te sporen waarin je data-verzameling fout ging, bijvoorbeeld omdat een reactietijd niet goed is opgenomen, of omdat iemand je vragenlijsten niet serieus invulde. Niet omdat je data normaal verdeeld moeten zijn.
Natuurlijk ontwikkel je je operationalisaties zodanig dat de betreffende variabele goed wordt gemeten. En de meeste variabelen zijn normaal verdeeld: de meeste mensen scoren rond het gemiddelde, en maar een paar veel hoger of veel lager. Dus je zou vaak normale verdelingen moeten zien, als je meetinstrument goed werkt. En als je geen normale verdeling vindt, dan kan het zijn dat je meetinstrument niet valide is - in dat geval is die verdelingsvorm relatief onbelangrijk natuurlijk.
Maar, bottom line: het gaat niet om subtiliteiten! Het gaat om aanzienlijke afwijkingen, die zodanig sterk zijn dat je ze in alle programma's kunt zien.