
SPSS分析技术:两个独立样本的非参数检验
在医学类研究中,经常会遇到治疗效果无法量化,但需要比较不同治疗方法优劣的需求。例如,比较止痛药的效果,疼痛程度无法准确量化,只能用主观打分来描述;理疗复健方法的优劣也无法量化,只能通过病人的情况粗略划分成卧床,部分自主等层次。当遇到这样无法量化数据的比较要求时,应该如何进行比较呢?两个样本的非参数检验是合适的分析方法。下面将介绍两个独立样本的非参数检验方法。
两个独立样本的非参数检验
单个样本的非参数检验对比的是样本分布与已知分布,从而得出随机样本所代表的总体是否服从已知分布。两独立样本的非参数检验是对两个独立样本的分布情况直接进行对比,目的是获得关于两总体分布状况差异大小的信息。这与单个样本假设检验和两个样本假设检验是一个套路。
SPSS提供了4种检验方法:Mann-Whitney U检验(曼-惠特尼U检验)、K-S检验、Wald-Wolfowitz检验(随机序列检验)和Moses极端反应检验。它们的原假设都是两个样本来自的总体分布没有显著性差异,只不过它们的分析方法不同。
Mann-Whitney U检验
Mann-Whitney U检验又称Mann-Whitney秩和检验,可用于对两总体分布的比例判断。其原假设为:两个独立样本来自的两个总体的分布无显著差异。Mann-Whitney U检验通过对两组样本平均秩的研究来实现判断。
Mann-Whitney U检验原理:将两个样本混合后按升序排列,得到每个样本值的秩(排名),然后分别求得两组样本的平均秩,并对这两个平均秩进行比较。如果两个总体分布无显著差异,其秩应该差别不大,从而两组样本的平均秩差别较小;反之,若两总体差异显著,则二者的平均秩会有较大差异。此外,Mann-Whitney U检验还要计算样本A的秩大于样本B的秩的个数U1,以及样本B的秩优于A的秩的个数U2,如果总体分布无显著差异,则两者应该接近;反之,若两总体差异显著,则二者的平均秩会有较大差异。
两独立样本K-S检验
检验原理:首先将两独立样本的数据混合并按升序排列,然后分布计算两个独立样本秩的累计频率,并求得两个累计频率的差值序列数据以获得D统计量。SPSS将自动计算D统计量的概率P值,如果P值大于显著性水平,则接受原假设;反之,则拒绝原假设,即两个样本来自的总体分布差异显著。
两个独立样本Wald-Wolfowitz检验
将两组样本混合并升序排列。同时,两组样本的每个观测值对应的样本组标志值序列也将随之重新排序,求出此游程。如果所得游程数较小,说明两总体的分布差异较大;反之,则不存在显著性差异。同时SPSS将据此自动计算相伴概率P值,如果P值大于显著性水平临界值,则接受原假设;反之则拒绝原假设,即两个样本来自的总体分布差异显著。
两独立样本Moses极端反应检验
原理为:将一组样本作为控制样本;另一组作为比较样本。一般按升序排列的第一个值定义控制组,第二个值定义比较组。以控制组作为参照,检验比较组相对于控制组是否出现极端反应。为此,将两组样本混合并升序排列,求得控制样本最高秩次和最低秩次之间包含的观测值个数,即跨度,以及去掉两个极端值后的截头跨度。如果跨度和截头跨度都很小,说明比较样本可能存在极端反应,两总体的分布差异显著;如果比较样本没有出现极端反应,则两总体分布无显著差异。
范例分析
现在由一份运用药物治疗和物理治疗方法对中风患者治疗结果的数据,治疗结果被分成5各层次:正常、可以自主活动、部分肢体可以自主活动、卧床和无自理能力;总共记录了100位患者的治疗效果,需要分析两种治疗方法的结果是否有显著性差异。
分析步骤
1、选择菜单【分析】-【非参数检验】-【旧对话框】-【2个独立样本】,在跳出的对话框中,做如下操作,然后点击确定。
2、或者也可以选择【分析】-【非参数检验】-【独立样本】,跳出如下对话框:
在字段页将生活行为能力选为检验字段,将治疗组选为组;在设置页选中所有4种两个样本的非参数检验方法。最后点击运行。
结果分析
两种操作方式的计算结果是一致的,由于第二种操作的显示结果是综合显示,所以选取第二种操作的显示结果进行讲解。
从结果可知;K-S检验和Wald-Wolfowitz游程检验的结果是接受原假设,即两种治疗方法的效果没有显著性差异;Moses检验和Mann-Whitney U检验的结果是拒绝原假设,即两种治疗方法的效果有显著性差异;所以,不同的检验方法可能会有不同的结论,这也说明了非参数检验是一种近似的检验方法,提示我们一定要根据数据的性质和检验方法的侧重点合理的选择检验方法。
可以对比不同的检验方法原理,Mann-Whitney U检验常用判别两独立样本所属的总体是否具有相同分布,Moses检验和K-S检验主要用于检验两个样本是否来自相同总体,所以本题中,建议选择Mann-Whitney U检验的分析结果,即两种治疗方法的治疗效果有显著性差异。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25