非参数检验过程spss

原文地址：SPSS学习笔记之——两配对样本的非参数检验（Wilcoxon符号秩检验）作者：王江源一、概述非参数检验对于总体分布没有要求，因而使用范围更广泛。

对于两配对样本的非参数检验，首选Wilcoxon符号秩检验。

它与配对样本t检验相对应。

二、问题为了研究某放松方法（如听音乐）对于入睡时间的影响，选择了10名志愿者，分别记录未进行放松时的入睡时间及放松后的入睡时间（单位为分钟），数据如下笔。

请问该放松方法对入睡时间有无影响。

本例可以采用配对样本t检验，但由于样本量少，数据可能不符合正太分布，所以考虑用非参数检验。

三、统计操作数据视图菜单选择打开如下的对话框该对话框有三个选项卡，第一个选项卡会根据第三个选项卡的设置自动设置，故一般不用手动设定。

点击进入“字段”选项卡。

将“放松前”、“放松后”均选入右边“检验字段”框中。

点击进入“设置”对话框，选择检验方法，切换为“自定义检验”，选择“Wilcoxon 匹配样本对符号秩（二样本）”复选框。

“检验选项”可以设定显著性水平。

点击“运行”按钮，输出结果四、结果解读这就是输出结果。

原假设示放松前好放松后差值的中位数等于0，P=0.015<0.05，拒绝原假设，认为放松前后有统计学差异。

双击该表格，会弹出如下的“模型浏览器”窗口，可以看到更详细的信息。

如下图。

统计第十一课：SPSS 多相关样本的非参数检验（Friedman检验）关键词：SPSS多相关样本非参数检验2015-07-14 00:00来源：互联网点击次数：5103先讲讲什么是 Friedman 检验Friedman 检验是利用秩实现对多个总体分布是否存在显著差异的非参数检验方法。

其原假设是：多个配对样本来自的多个总体分布无显著差异。

SPSS 将自动计算 Friedman 统计量和对应的概率 P 值。

如果概率 P 值小于给定的显著性水平 0.05，则拒绝原假设，认为各组样本的秩存在显著差异，多个配对样本来自的多个总体的分布有显著差异。

SPSS非参数检验—两独立样本检验_案例解析非参数检验是一种在统计学中常用于比较两个或多个独立样本的方法。

与参数检验不同，非参数检验不需要对数据的分布进行假设，并且适用于非正态分布的数据。

SPSS（统计软件包for社会科学）是一个广泛使用的统计分析软件，它提供了许多非参数检验的功能。

本文将以一个案例为例，解析如何使用SPSS进行两独立样本的非参数检验。

案例描述：一家公司正在评估一个新的培训课程对员工的绩效是否有显著影响。

为了评估培训课程的效果，研究人员随机选择了两组员工，一组接受了培训课程（实验组），另一组没有接受培训课程（对照组）。

研究人员想要比较两组员工在绩效上的差异。

步骤一：导入数据首先，将实验组和对照组的数据分别导入SPSS中。

假设每个样本中有n个观测值。

在SPSS中，每一组数据应该是一个独立的变量（或列），并且每个观测值应该占据矩阵中的一个单元格。

步骤二：选择非参数检验方法在SPSS中，可以使用Mann-Whitney U检验来比较两组独立样本的绩效差异。

该检验的原假设是两组样本来自同一个总体，备择假设是两组样本来自不同的总体。

步骤三：运行非参数检验在SPSS的菜单栏中，依次选择"分析" - "非参数检验" - "独立样本检验（Mann-Whitney U）"。

将实验组和对照组的变量分别输入到"因子1"和"因子2"中。

在"可选"选项中，可以选择在报告中包含各种统计量。

步骤四：解读结果SPSS将输出很多统计信息，包括推断统计、置信区间、效应大小等。

其中，最重要的是U值和显著性。

U值是用来检验两组样本是否来自同一个总体的统计量，显著性则是用来判断差异是否显著。

如果显著性小于0.05，则可以拒绝原假设，认为两组样本在绩效上存在显著差异。

总结：通过上述步骤，我们可以利用SPSS进行两独立样本的非参数检验。

使用SPSS软件进行非参数检验非参数检验是数理统计学中对样本数据进行检验的一种重要检验方法，文章具体讲述了SPSS统计软件对3个班级中21个学生的成绩样本进行非参数检验分析，得出总体成绩存在显著性差异，说明了SPSS统计软件应用于概率论与数理统计教学的可行性。

标签：SPSS软件；非参数检验；显著性差异；可行性非参数检验是数理统计学的一个分支，它与参数检验相对应。

参数检验是一种适应于在特定环境下的检验，对总体分布参数的均值或方差等进行推断的方法。

非参数检验是假定总体分布的具体形式未知，从样本的数据获得需要的信息，对总体分布的类型和位置进行检验。

1 非参数检验方法的特点和分类非参数检验适用性很广，不要求有精确的观测值，SPSS软件是一种易学易操作的软件，软件中包括8种非参数检验的分析方法，这8种方法被分为了两大类：分布类型检验方法和分布位置检验方法，在第二大类中包括以下4中检验：两个独立样本显著性差异、多个独立性样本显著性差异、两个相关样本差异的显著性检验和多个相关样本差异的显著性检验。

文章主要研究多个独立性样本的显著性差异。

2 应用实例随机抽取3个班级的学生，得到21个学生的成绩样本，成绩如表1所示，问总体成绩是否存在显著差异？（1）假设H0：總体成绩没有显著差异（2）操作步骤：a.在SPSS软件的数据编辑窗口中输入数据，两个变量（banji，chengji），21个样本，即输入2列21行；b.单击分析→非参数检验→K个独立样本命令，打开多个独立样本对话框；c.将变量chengji移入到检验变量列表，将banji移入分组变量列表，在分组变量定义框内定义分组变量的范围，最小值为1，最大值为3，选择检验类型中的前两个，第三种方法不适合本题目；如图1所示。

d.单击OK按钮，即在输出窗口显示Kruskal-Wallis检验和中值检验的计算结果。

3 结果分析在输出窗口中显示了Kruskal-Wallis检验和中值检验的计算结果，见表2、表3。

SPSS操作：多个相关样本的⾮参数检验（CochransQ检验）点击Settings→Customize tests，勾选Cochran's Q (k samples)。

点击Define Success，在Cochran's Q: Define Success对话框中，点击Combine values into success category，在Success框中填⼊1（这⾥是“成功”对应的编码，本例中即为通过体能测试，“Passed”对应的是1，所以这⾥填“1”）。

点击OK→Run，输出结果。

3.4 不符合假设4的“精确”Cochran's Q检验当不符合假设4时，需要使⽤“精确”Cochran's Q检验。

在主界⾯点击Analyze→Nonparametric Tests→Legacy Dialogs→K Related Samples，出现Tests for Several Related Samples对话框。

将变量initial_fitness_test、month3_fitness_test和final_fitness_test选⼊Test Variables框中。

在Test Type 下⽅去掉Friedman，然后勾选Cochran's Q。

（如果数据符合假设4，则此时点击OK，结果与3.3部分的操作结果⼀致）点击Exact，在Exact Tests对话框中，点击Exact，点击Continue→OK。

3.5 “精确”Cochran's Q检验后的两两⽐较对于符合假设4的Cochran's Q检验（3.3部分），事后的两两⽐较将在结果解释部分展⽰（4.2部分）。

对于不符合假设4的“精确”Cochran's Q检验（3.4部分）事后的两两⽐较，可采⽤经Bonferroni法校正的多重McNemar检验。

在主界⾯点击Analyze→Nonparametric Tests→Legacy Dialogs→2 Related Samples。