京公网安备 11010802034615号
经营许可证编号:京B2-20210330
SPSS详细教程:配对样本的非参数检验『Wilcoxon符号秩检验』
一、问题与数据
某研究者研发出一种新型的运动饮料,该饮料在传统运动饮料的基础上增加了蛋白质混合物。研究者拟分析该新型运动饮料是否可以提升受试者的长跑能力。
他招募了20位受试者,分别进行两次试验。第一次让受试者在饮用传统运动饮料后,尽全力地跑2小时,随后测量每位受试者的长跑距离,记录为carb变量。第二次让受试者在饮用新型运动饮料后,尽全力地跑2小时,随后也测量每位受试者的长跑距离,记录为carb_protein变量。
两项试验的间隔时间适中,可认为受试者在服用运动饮料之前的身体能力基本一致,收集的部分数据如下。
二、对问题的分析
对于配对设计的连续性变量在两组间的差异,可以选用配对t检验或Wilcoxon signed-rank检验(Wilcoxon符号秩检验)。配对t检验适用于两组差值近似服从正态分布的数据,当不满足该前提时,可选择的一种方案是使用Wilcoxon signed-rank检验。
研究者拟判断同一组受试者在饮用传统运动饮料与新型运动饮料后长跑距离的差别,本研究的数据非正态(即差值不服从正态分布,注意这里仅为模拟数据,实际使用时需要专业判断或结合正态性检验结果)。针对这种情况,我们可以使用Wilcoxon signed-rank检验。
使用Wilcoxon signed-rank检验时,需要满足3项假设:
假设1:观测变量是连续变量或有序分类变量,如本研究的观测变量长跑距离是一项连续变量。
假设2:研究数据可以被分为两组,如本研究数据可以分为服用新型运动饮料和服用传统运动饮料两组。
假设3:数据结构为配对形式,如本研究数据属于受试者自身配对的形式。
经分析,本研究数据符合假设1-3,那么如何进行Wilcoxon signed-rank检验呢?
三、SPSS操作
1. 生成差值变量
Wilcoxon signed-rank检验是针对配对变量差值进行假设检验的,所以生成差值变量十分重要。
在主界面点击Transform→Compute Variable,弹出Compute Variable对话框。在 Target Variable栏输入“difference”,生成新变量的变量名。接着在Numeric Expression栏输入“carb_protein - carb”,计算新变量值,如下图:
点击OK,数据视图生成一列新变量“difference”。
2. 生成中位数
在主界面点击Analyze→Compare Means→Means
弹出Means对话框后,将carb、carb_protein和difference变量放入Dependent List栏。
点击Options选项,将Median放入Cell Statistics栏,去掉Cell Statistics栏对Mean、Number of Cases和Standard Deviation的选择,点击Continue→OK。
3. Wilcoxon signed-rank检验的SPSS操作
在主界面点击Analyze→Nonparametric Tests→Legacy Dialogs→2 Related Samples。
弹出下图Two-Related-Samples Tests对话框后,将carb和carb_protein变量放入 Test Pairs栏后,点击OK。
四、结果解释
1. 统计描述
在进行Wilcoxon signed-rank检验结果解释之前,我们需要对研究数据有一个基本的了解。经上述“生成中位数”的操作,SPSS输出各组中位数结果如下图。
由上图可知,服用传统运动饮料后受试者的长跑距离中位数为11.1600 km,服用新型运动饮料后受试者的长跑距离中位数为11.3675 km,差值的中位数为0.1350 km。
2. Wilcoxon signed-rank检验结果
SPSS输出Wilcoxon signed-rank检验结果如下图。
本研究Wilcoxon signed-rank检验的Z=-3.672,P<0.001, 说明两组数据中位数差值与0的差异具有统计学意义,即服用传统运动饮料与服用新型运动饮料受试者的长跑距离不同。结合中位数的结果可知,新型的运动饮料有助于提升受试者的长跑能力(P<0.001)。
五、撰写结论
采用Wilcoxon signed-rank检验,分析相较于传统运动饮料,服用新型运动饮料是否可以提升受试者的长跑能力。结果提示,服用传统运动饮料后受试者的长跑距离中位数为11.1600 km,服用新型运动饮料后受试者的长跑距离中位数为11.3675 km,差值的中位数为0.1350 km。
Wilcoxon signed-rank检验显示,Z=-3.672,P<0.001, 说明新型的运动饮料有助于提升受试者的长跑能力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12