
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
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02