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 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22