第六章非参数检验在前面的章节中我们介绍了多种假设检验的方法，例如单个总体的t检验、基于两个独立样本的t检验、基于两个匹配样本的t检验、方差分析等。
在这些检验都需要对总体的分布特征作出某些假设（例如在t检验和方差分析中都需要假设总体服从正态分布），然后根据检验统计量的抽样分布对总体参数（如均值、比率等）进行检验。
这类检验方法称为参数检验。
我们前面强调过，在需要的假设条件不满足的情况下，特别是小样本的情况下，t检验、F检验都是不适用的。
那么，如何检验数据是否来自正态分布或者其他分布？在参数检验假设条件不满足的情况下如何对相应的问题进行分析？非参数检验方法可以帮助我们回答这类问题。
在这一章中，我们将首先简要说明非参数检验的概念和优缺点，然后介绍几种常见的非参数检验方法及其在SPSS中的实现方法。
第一节非参数检验概述非参数检验（nonparametric tests）也称为与总体分布无关的检验（distribution free tests），与参数检验相比，在非参数检验中不需要对总体分布的具体形式作出严格假设，或者只需要很弱的假设。
大部分非参数检验都是针对总体的分布进行的检验，但也可以对总体的某些参数进行检验。
与参数检验相比，非参数检验主要有以下几个方面的特点：（1）非参数检验不需要严格假设条件，因而比参数检验有更广泛的适用面。
（2）非参数检验几乎可以处理包括定类数据和定序数据在内的所有类型的数据，而参数检验通常只能用于定量数据的分析。
（3）虽然对于满足参数检验的假设条件的数据也可以采用非参数检验法进行分析，但在参数检验和非参数检验都可以使用的情况下，由于非参数检验没有充分利用样本内所有的数量信息，因此其检验的功效（power）要低于参数检验方法。
也就是说，在备择假设为真的情况下，采用参数检验方法拒绝原假设的概率要高于非参数检验的方法，从而更容易发现显著的差异。
在假设检验中，犯取伪错误的概率记为β，则1-β越大，意味着当备择假设为真时，拒绝原假设的概率越大，检验的判别能力就越好；1-β越小，意味着当备择假设为真时，拒绝原假设的概率越小，检验的判别能力就越差。
