spss的多独立样本的非参数检验论文
spss非参数检验K多个独立样本检验KruskalWallis检验案例解析
spss-非参数检验-K多个独立样本检验
(Kruskal-Wallis检验)案例解析Kruskal-Wallis检验，也称为KW检验，是一种非参数检验方法，用于比较两个或多个独立样本的中位数是否相等。
它利用秩（等级）来进行统计分析，而不是直接使用原始数据。
假设有一个关于人们在不同饮料中的品尝体验的数据集。
数据集中包含了人们在红酒、白酒和啤酒中品尝的感受，包括甜度、酸度、苦度等。
现在想要比较这三种饮料在甜度方面的中位数是否有显著差异。
首先，对每种饮料的甜度进行排序，得到每个人的秩。
然后，将每个人的秩平均分到他们所对应的饮料中，得到每个饮料的平均秩。
接着，对这些平均秩进行比较。
如果红酒、白酒和啤酒的平均秩存在显著差异，则说明这三种饮料在甜度方面的中位数存在显著差异。
如果平均秩没有显著差异，则说明这三种饮料在甜度方面的中位数没有显著差异。
下面是一个具体的案例数据：
根据上述数据，我们可以计算出每种饮料的平均秩：
红酒： (2+1)/2 = 1.5
白酒： (4+3)/2 = 3.5
啤酒： (6+5)/2 = 5.5
然后对这些平均秩进行比较。
由于红酒的平均秩最小，白酒的平均秩次之，啤酒的平均秩最大，因此可以得出结论：这三种饮料在甜度方面的中位数存在显著差异，其中啤酒的甜度最高，白酒次之，红酒最低。
需要注意的是，KW检验的前提假设是各个样本是独立同分布的，且样本容量足够大。
如果样本不满足这些条件，可能会导致检验结果出现偏差。
此外，KW检验只能告诉我们是否存在显著差异，但不能告诉我们差异的具体原因。
如果想要了解更多信息，需要进行后续的统计分析。
07非参数检验-SPSS
穿 4 种防护服时的脉搏数（次 /分） 编号 1 2 3 4 5 6 秩和 Ri 防护服 A 脉搏 秩号 144.4 4 116.2 2 105.8 1 98.0 1 103.8 2 121.4 4 14 防护服 B 脉搏 秩号 143.0 3 119.2 4 114.8 3 120.0 3 110.6 4 107.3 1 18 防护服 C 脉搏 秩号 133.4 1 118.0 3 113.2 2 104.0 2 109.8 3 115.6 2 13 防护服 D 脉搏 秩号 142.8 2 110.8 1 115.8 4 132.8 4 100.6 1 119.2 3 15
新法 原法 （ 3） （ 2） 80 60 152 142 243 195 82 80 240 242 227 220 205 190 38 25 243 212 44 38 200 236 100 95
T 66
差值 d 新法 (4)=(3)-(2) （3） 20 80 10 152 48 243 82 2 240-2 227 7 15 205 13 38 36 243 44 6 -36 200 100 5
DATA
→ Weight Cases …
Weight Cases对话框
（2）秩和检验 Analyze
→Nonparametric Tests → K Independent Samples …
Test for Several Independent Samples对话框
检验变量（即 等级变量）
→ K Independent Samples …
Test for Several Independent Samples对话框
SPSS的非参数检验
02
SPSS非参数检验概述
定义与特点
定义
非参数检验是在统计分析中，相对于参数检验的一种统计方法。 它不需要对总体分布做严格假定，只关注数据本身的特点，因此 具有更广泛的适用范围。
特点
非参数检验对总体分布的假设较少，强调从数据本身获取信息， 具有灵活性、稳健性和适用范围广等优点。
局限性
计算量大
对于大规模数据集，非参数检验的计算量可 能较大，需要较长的计算时间。
对数据要求高
非参数检验要求数据具有可比性，对于不可 比的数据集可能无法得出正确的结论。
解释性较差
非参数检验的结果通常较为简单，对于深入 的统计分析可能不够满足。
对异常值敏感
非参数检验对异常值较为敏感，可能导致结 果的偏差。
THANK YOU
感谢聆听
常用非参数检验方法
独立样本非参数检验
用于比较两个独立样本的差异 ，如Mann-Whitney U 检验 、Kruskal-Wallis H 检验等。
相关样本非参数检验
用于比较相关样本或配对样本 的关联性，如Wilcoxon signed-rank 检验、Kendall's tau-b 检验等。
等级排序非参数检验
案例二：两个相关样本的非参数检验
总结词
适用于两个相关样本的比较，如同一班级内不同时间点的成绩比较。
描述
使用SPSS中的两个相关样本的非参数检验，如Wilcoxon匹配对检验，可以比较两个相关样本的总体分布是否相 同。
案例二：两个相关样本的非参数检验
01
步骤
02
1. 打开SPSS软件，输入数据。
第七章SPSS非参数检验
二、SPSS两独立样本非参数检验
(一)目的 由独立样本数据推断两总体的分布是否存在显著差异
(或两样本是否来自同一总体)。 (二)基本假设 H0：两总体分布无显著差异(两样本来自同一总体) (三)数据要求 样本数据和分组标志
•第七章SPSS非参数检验
二、SPSS两独立样本非参数检验
– 与样本在相同点的累计频率进行比较。如果相差较小，则认为样
本所代表的总体符合指定的总体分布。
•第七章SPSS非参数检验
一、SPSS单样本非参数检验
（三）K-S检验 (4)基本步骤
菜单选项：analyze->nonparametric tests->1-sample k-s 选择待检验的变量入test variable list 框 指定检验的分布名称(test distribution)
将两样本混合并按升序排序 分别计算两个样本在相同点上的累计频数和累计频率 两个累计频率相减。 如果差距较小，则认为两总体分布无显著差异
应保证有较大的样本数
案例：7-5 p194使用寿命
•第七章SPSS非参数检验
二、SPSS两独立样本非参数检验
3.游程？检验(Wald-Wolfowitz runs)
一、SPSS单样本非参数检验
（二）总体分布的二项分布检验 (1)目的
通过样本数据检验样本来自的总体是否服从指定的 概率p的二项分布根据 (2)原假设 样本来自的总体与指定的二项分布无显著差异。 (3)案例7-2 p187 产品合格率
•第七章SPSS非参数检验
一、SPSS单样本非参数检验
（三）K-S检验 (1)目的
•第七章SPSS非参数检验
五、SPSS多配对样本非参数检验
spss非参数检验K多个独立样本检验KruskalWallis检验重点学习学习案例分析.doc
spss- 非参数检验 -K 多个独立样本检验（Kruskal-Wallis检验）案例解析2011-09-19 15:09最近经常失眠，好痛苦啊！大家有什么好的解决失眠的方法吗？希望知道的能够告诉我，谢谢啦，今天和大家一起探讨和分下一下SPSS非-参数检验 --K 个独立样本检验（Kruskal-Wallis检验）。
还是以 SPSS教程为例：假设： HO:不同地区的儿童，身高分布是相同的H1：不同地区的儿童，身高分布是不同的不同地区儿童身高样本数据如下所示：提示：此样本数为 4 个（北京，上海，成都，广州）每个样本的样本量（观察数）都为 5 个即：K=4>3 n=5,此时如果样本逐渐增大，呈现出自由度为K-1 的平方的分布，（即指：卡方检验）点击“分析”——非参数检验——旧对话框—— K 个独立样本检验，进入如下界面：将“周岁儿童身高”变量拖入右侧“检验变量列表”内，将“城市（ CS)变量”拖入“分组变量”内，点击“定义范围” 输入“最小值”和“最大值”（这里的变量类型必须为“数字型”）如果不是数字型，必须要先定义或者重新编码。
在“检验类型”下面选择“秩和检验”（Kruskal-Wallis检验）点击确定运行结果如下所示：对结果进行分析如下：1：从“检验统计量a,b ”表中可以看出：秩和统计量为：13.900自由度为： 3=k-1=4-1下面来看看“秩和统计量”的计算过程，如下所示：假设“秩和统计量”为kw那么:其中： n+1/2为全体样本的“秩平均”Ri./ni为第i个样本的秩平均Ri. 代表第 i 个样本的秩和， ni 代表第 i 个样本的观察数）最后得到的公式为：北京地区的“秩和”为：秩平均 * 观察数（ N) = 14.4*5=72上海地区的“秩和”为：8.2*5=41成都地区的“秩和”为：15.8*5=79广州地区的“秩和”为： 3.6*5=18接近 13.90 （由于中间的计算，我采用四舍五入，丢弃了部分数值，所以，会有部分误差）2：“检验统计量 a,b ”表中可以看出：“渐进显著性为0.003 ，由于0.003<0.01所以得出结论：H1：不同地区的儿童，身高分布是不同的。
SPSS操作：多个独立样本的非参数检验及两两比较
SPSS操作：多个独立样本的非参数检验及两两比较一、问题与数据某研究者想探讨不同体力活动的人，应对职场压力的能力是否不同。
因此，研究招募了31名研究对象，测量了他们每周进行体力活动的时间（分钟），以及应对职场压力的能力。
根据体力活动的时间长短，研究对象被分为4组：久坐组、低、中、高体力活动组（变量名为group）。
利用Likert量表调查的总得分（CWWS得分）来评估应对职场压力的能力，分数越高，表明应对职场压力的能力越强（变量名为coping_stress）。
部分数据如下图。
二、对问题的分析研究者想知道不同体力活动组之间CWWS得分是否不同，可以使用Kruskal-Wallis H检验。
Kruskal-Wallis H检验（有时也叫做对秩次的单因素方差分析）是基于秩次的非参数检验方法，用于检验多组间（也可以是两组）连续或有序变量是否存在差异。
使用Kruskal-Wallis H test进行分析时，需要考虑以下3个假设。
假设1：有一个因变量，且因变量为连续变量或等级变量。
假设2：存在多个分组（≥2个）。
假设3：具有相互独立的观测值，如本研究中各位研究对象的信息都是独立的，不存在相互干扰作用。
三、SPSS操作1. Kruskal-Wallis H检验在主界面点击Analyze→Nonparametric Tests→Independent Samples，出现Nonparametric Tests: Two or More Independent Samples对话框，默认选择Automatically compare distributions across groups。
点击Fields，在Fields下方选择Use custom field assignments，将变量coping_stress放入Test Fields框中，将变量group放入Groups框中。
点击Settings→Customize tests，在Compare MedianDifference to Hypothesized区域选择Kruskal-Wallis 1-way ANOVA (k samples)，如下图。
spss实验报告——非参数检验
实验报告——（非参数检验）实验目的：1、学会使用SPSS软件进行非参数检验。
2、熟悉非参数检验的概念及适用范围，掌握常见的秩和检验计算方法。
实验内容：1、某公司准备推出一个新产品，但产品名称还没有正式确定，决定进行抽样调查，在受访200人中，52人喜欢A名称，61人喜欢B名称，87人喜欢C 名称，请问ABC三种名称受欢迎的程度有无差别？(数据表自建)SPSS计算结果如下：此题为总体分布的卡方检验。
零假设：样本来自总体分布形态和期望分布没有显著差异。
即ABC三种名称受欢迎的程度无差别,分布形态为1：1：1，呈均匀分布。
观察结果，上表为200个观察数据对A、B、C三个名称（分别对应1，2，3）的喜爱的期望频数以及实际观察频数和期望频数的差。
从下表中可以看出相伴概率值为0.007小于显著性水平0.05，因此拒绝零假设，认为样本来自的总体分布与制定的期望分布有显著差异，即A、B、C三种名称受欢迎的程度有差异。
2、某村庄发生了一起集体食物中毒事件，经过调查，发现当地居民是直接饮用河水，研究者怀疑是河水污染所致，县按照可疑污染源的大致范围调查了沿河居民的中毒情况，河边33户有成员中毒（+）和均未中毒（-）的家庭分布如下：（案例数据run.sav）-+++*++++-+++-+++++----++----+----毒源问：中毒与饮水是否有关？SPSS计算结果如下：此题为单样本变量值随机检验零假设：总体某变量的变量值是随机出现的。
即中毒的家庭沿河分布的情况随机分布，与饮水无关。
相伴概率为0.036，小于显著性水平0.05，拒绝零假设，因此中毒与饮水有关。
3、某试验室用小白鼠观察某种抗癌新药的疗效，两组各10只小白鼠，以生存日数作为观察指标，试验结果如下，案例数据集为：npara1.sav，问两组小白鼠生存日数有无差别。
试验组：24 26 27 30 32 34 36 40 60 天以上对照组：4 6 7 9 10 10 12 13 16 16SPSS计算结果如下：此题为两独立样本非参数检验。
使用SPSS软件进行非参数检验
使用SPSS软件进行非参数检验作者：崔红芳来源：《科技创新与应用》2015年第33期摘要：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。
关键词：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：总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。
实验报告2——基于SPSS的假设检验、方差分析、非参数检验
中央财经大学实验报告实验项目名称假设检验、方差分析、非参数检验所属课程名称统计学实验类型设计型、综合型实验实验日期2014年4月成绩实验报告数据准备。
从500个人中随机抽取大约30%。
1、用SPSS Statistics软件进行参数估计和假设检验。
（以下假设检验中限制性水平设为5%）（1）计算总体中上月平均工资95%的置信区间（分析→描述统计→探索）。
下表为SPSS软件进行对“平均工资”变量进行描述统计分析所得。
从表中可以直接得到95%置信区间为【2118.79，2277.21】统计量标准误（元）均值2198.00 40.083均值的 95% 置信区间下限2118.79上限2277.215% 修整均值2202.96中值2200.00方差241002.685标准差490.920极小值800极大值3700范围2900四分位距600偏度-.042 .198（2）检验能否认为总体中上月平均工资等于2000元。
（单个样本t检验）根据题目要求，这里采用双侧假设。
零假设和备择假设为：H0=2000，H1≠2000。
由上表得，p=0.000<0.05=α，所以，拒绝原假设，即可以认为中体中上月平均工资不等于2000元（3）检验能否认为男生的平均工资大于女生。
（两个独立样本t检验）检验的零假设和备择假设为：H0：男生的平均工资不大于女生H1：男生的平均工资大于女生如上表所示，方差检验的p值等于0.092>0.05，因此不拒绝方差相等的原假设，认为男女平均工资的方差相等。
所以t检验选取方差相等的一列，其中双侧检验的p值为0.000，因此右侧检验的p值为0.000/2=0.000<0.05(显著性水平)，所以拒绝原假设，因此认为男生的平均工资大于女生。
（4）一些学者认为，由于经济不景气，学生的平均工资今年和去年相比没有显著提高。
检验这一假说。
（匹配样本t检验）。
H0：μ1-μ2≤0；H1：μ1>μ2双侧检验的p值为0.932，，因此右侧检验为0.466>0.05。
SPSS操作：多个相关样本的非参数检验（CochransQ检验）
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。
spss多配对样本非参数检验
课程名称实用统计软件实验项目名称多配对样本非参数检验实验成绩指导老师（签名）日期2011-12-6一．实验目的1，掌握多配对样本的非参数检验基本原理和算法；2，能够用SPSS软件解决多配对样本的非参数检验的问题。
二. 实验内容与要求1．实验内容1．书上的三个研究问题的实现。
2．书上练习与思考题第10-3题。
（提示：录入数据进行kendall协同系数检验时要把数据进行转置，读物作为变量，评论家作为行）3．为了比较A、B、C、D、E 5种药物注射后产生的皮肤疱疹的大小，选取6只家兔并给每只家兔先后分别按随机排列的次序注射这5种药物。
实验结果如下表（疱疹面积的度量单位为mm2）：（提示：录入数据是也要注意，家兔在行，药物在列作为检验变量）2．实验要求：作业中要出现检验过程。
如本ppt第8页、第20页、第30页的表格及统计计算过程。
注意：今天的三种方法所处理的实际问题类型有所不同，需要根据具体问题选择不同的检验方法。
三．实验步骤具体操作参见课件多配对样本非参数检验.PPT（ftp://10.66.28.22:22）四. 实验结果（数据与图形）与分析1．书上的三个研究问题的实现。
2．书上练习与思考题第10-3题。
（提示：录入数据进行kendall协同系数检验时要把数据进行转置，读物作为变量，评论家作为行）得到卡方统计量为9.782，W系统系数为0.466，小于1，相伴概率为0.201，大于显著性水平0.05，所以评分标准不够一致。
3．为了比较A、B、C、D、E 5种药物注射后产生的皮肤疱疹的大小，选取6只家兔并给每只家兔先后分别按随机排列的次序注射这5种药物。
实验结果如下表（疱疹面积的度（提示：录入数据是也要注意，家兔在行，药物在列作为检验变量）得到卡方统计量为14.609，W系统系数为0.609，小于1，相伴概率为0.006，小于显著性水平0.05，所以皮肤疱疹大小无差异。
spss的多独立样本的非参数检验论文
4.为研究烫伤后不同时间切痂对大鼠肝脏三磷酸腺苷（ATP）的影响，现将30只雄性大鼠随机分成3组，每组10只：A组为烫伤无切痂，B组为烫伤后24小时时切痂组，C组为烫伤后96小时切痂组，全部大鼠在烫伤168小时后测量其肝脏ATP含量。
试检验3组大鼠肝脏ATP总数均数是否相同。
表。
大鼠烫伤后肝脏ATP含量（mg）A组B组C组7.6711.2410.747.5311.708.688.3911.527.3210.1813.439.627.0314.198.7811.697.218.325.7412.879.856.7213.8911.317.0716.938.73解：由题意可知，通过分析多组独立样本的数据，推断样本来自多个总体的中位数或分布是否存在差异，所以可以选用多独立样本的Kruskal-Wallis检验数据的组织方式如下：Name Type Width Decimals Label Values Missing Columns Align Measure ATP Numeric82None None8Right Scale 分组Numeric82{1.00，A组None8Right ScaleATP分组17.67A组27.53A组38.39A组48.51A组510.18A组67.03A组711.69A组8 5.74A组9 6.72A组107.07A组1111.24B组1211.70B组1311.52B组1413.65B组1513.43B组1614.19B组177.21B组1812.87B组1913.89B组2016.93B组2110.74C组228.68C组237.32C组249.41C组259.62C组268.78C组278.32C组289.85C组2911.31C组308.73C组30只雄性大鼠的多独立样本非参数检验的基本操作步骤如下：(1)选择菜单：【Nnalyze】→【Nonparametric Tests】→【K Independent Samples】于是出现以下所示的窗口。
spss-非参数检验-K多个独立样本检验(-Kruskal-Wallis检验)案例解析
spss-非参数检验-K多个独立样本检验(-Kruskal-Wallis检验)案例解析spss-非参数检验-K多个独立样本检验（ Kruskal-Wallis检验）案例解析2011-09-19 15:09最近经常失眠，好痛苦啊！大家有什么好的解决失眠的方法吗？希望知道的能够告诉我，谢谢啦，今天和大家一起探讨和分下一下SPSS-非参数检验--K 个独立样本检验（ Kruskal-Wallis检验）。
还是以SPSS教程为例：假设：HO: 不同地区的儿童，身高分布是相同的H1：不同地区的儿童，身高分布是不同的不同地区儿童身高样本数据如下所示：提示：此样本数为4个（北京，上海，成都，广州）每个样本的样本量（观察数）都为5个即：K=4>3 n=5, 此时如果样本逐渐增大，呈现出自由度为K-1的平方的分布，（即指：卡方检验）点击“分析”——非参数检验——旧对话框——K个独立样本检验，进入如下界面：将“周岁儿童身高”变量拖入右侧“检验变量列表”内，将“城市（CS)变量” 拖入“分组变量”内，点击“定义范围” 输入“最小值”和“最大值”（这里的变量类型必须为“数字型”）如果不是数字型，必须要先定义或者重新编码。
在“检验类型”下面选择“秩和检验”（ Kruskal-Wallis检验）点击确定运行结果如下所示：对结果进行分析如下：1：从“检验统计量a,b”表中可以看出：秩和统计量为：13.900自由度为：3=k-1=4-1下面来看看“秩和统计量”的计算过程，如下所示：假设“秩和统计量”为 kw 那么:其中：n+1/2 为全体样本的“秩平均” Ri./ni 为第i个样本的秩平均 Ri.代表第i个样本的秩和， ni代表第i个样本的观察数）最后得到的公式为：北京地区的“秩和”为：秩平均*观察数（N) = 14.4*5=72上海地区的“秩和”为：8.2*5=41成都地区的“秩和”为：15.8*5=79广州地区的“秩和”为：3.6*5=18接近13.90 （由于中间的计算，我采用四舍五入，丢弃了部分数值，所以，会有部分误差）2：“检验统计量a,b”表中可以看出：“渐进显著性为0.003，由于0.003<0.01 所以得出结论：H1：不同地区的儿童，身高分布是不同的。
spss的多独立样本的非参数检验论文
4.为研究烫伤后不同时间切痂对大鼠肝脏三磷酸腺苷（ATP）的影响，现将30只雄性大鼠随机分成3组，每组10只：A组为烫伤无切痂，B组为烫伤后24小时时切痂组，C组为烫伤后96小时切痂组，全部大鼠在烫伤168小时后测量其肝脏ATP含量。
试检验3组大鼠肝脏ATP总数均数是否相同。
表。
大鼠烫伤后肝脏ATP含量（mg）解：由题意可知，通过分析多组独立样本的数据，推断样本来自多个总体的中位数或分布是否存在差异，所以可以选用多独立样本的Kruskal-Wallis检验数据的组织方式如下：30只雄性大鼠的多独立样本非参数检验的基本操作步骤如下：(1)选择菜单：【Nnalyze】→【Nonparametric Tests】→【K Independent Samples】于是出现以下所示的窗口。
（2）、选择ATP 到【Test Variable List】框中。
（3）、指定分组的变量到【Grouping Variable】框，并按Define Range按钮给出组标志值的而取之范围。
(4)、在【Test Type】框中选择三种检验方法。
一、中位数检验结果如下图所示表（a）三组雄性大鼠的中位数检验结果（一）·表（b）三组雄性大鼠的中位数检验结果（二）表（a）与表（b）中，三组共同的中位数为9.5150，计算出卡方统计量为10.400，概率P-值为0.006。
如果显著性水平α为0.05，由于概率P-值小于显著性水平α，应拒绝原假设，认为三组雄性大鼠的分布存在显著性差异。
二、多独立样本Kruskal-Wallis检验结果表（c）三组雄性大鼠的Kruskal-Wallis检验结果（一）表（d）三组雄性大鼠的Kruskal-Wallis检验结果（二）由表（c）和表(d)可知：三组雄性大鼠的平均秩分别为8.7、23.6、14.2，K-W 统计量为14.65，概率P值为0.001。
如果显著性水平α为0.05，由于概率P-值小于显著性水平α，应拒绝原假设，认为三组雄性大鼠的平均秩差异是显著的，总体分布存在显著性差异。
非参数统计分析在多样本研究中的应用论文[5篇范文]
![非参数统计分析在多样本研究中的应用论文[5篇范文]](https://img.taocdn.com/s3/m/0bf0726b814d2b160b4e767f5acfa1c7ab00825c.png)
非参数统计分析在多样本研究中的应用论文[5篇范文]第一篇：非参数统计分析在多样本研究中的应用论文一、研究背景当今经济研究领域，运用传统的参数统计进行实证分析非常广泛。
然而，在现实生活中，传统参数统计方法对总体分布的假定常常难以满足，比如数据并非来自所假定的分布，或者数据根本不是来自一个总体，又或者数据因为种种原因被严重污染等。
这样，假定总体分布的情况下进行推断的做法就可能产生错误的结论，影响决策。
为此，人们希望在不假定总体分布的情况下，尽量从数据本身来获得所需要的信息，这就是非参数统计的宗旨。
二、实证分析以小白鼠为对象研究正常肝核糖核酸（RNA）对癌细胞的生物作用，试验分别为对照组（生理盐水），水层RNA组和酚层RNA组，分别用此3种不同处理方法诱导肝癌细胞的果糖二磷酸酯（FDP酶）活力，数据如表1所示.3种不同处理的诱导结果处理方法诱导结果对照组2.792.693.113.471.772.442.832.52水层RNA组3.833.154.703.972.032.873.655.09酚层RNA组5.413.474.924.072.183.133.774.26从上表可以看出，对照组的诱导的平均FDP酶活力最小，水层RNA组次之，酚层RNA组的最大。
因此可以初步认为，3种诱导作用的效果有显著差异。
（二）、正态性检验对样本做假设检验则首先必须知道总体服从的分布，本文针对3个总体分别进行正态性检验，原假设为H0：样本所来自的总体分布服从正态分布，备择假设为H1：样本所来自的总体分布不服从正态分布。
具体检验结果如下：显然，通过Kolmogorov-Smirnov检验可知，在给定的显著性水平0.05的条件之下，在3个总体所得P值均小于α，故拒绝原假设，可以认为出这3个总体均不服从正态分布。
且从现阶段所知的分布来看，无法断定其到底属于何种分布，故采用非参数方法对该问题进行统计分析。
（三）、尺度参数检验本文中尺度参数的检验采取Mood检验。
秩和检验(SPSS)
制作：王立芹
2015年6月2日星期二10时47分19秒
制作：王立芹
2015年6月2日星期二10时47分19秒
制作：王立芹
Ranks r1值 group 肺 癌 病 人 矽 肺 工 人 Total N 10 12 22 Mean Rank 14.15 9.29 Sum of Ranks 141.50 111.50
分组变量 定义分组变量 检验方法类型
2015年6月2日星期二10时47分19秒
制作：王立芹
2015年6月2日星期二10时47分19秒
制作：王立芹
Ranks 死 亡率 药 物 甲 药 乙 药 丙 药 Total N 5 5 5 15 Mean Rank 12.60 7.60 3.80
Test Statisticsa,b Chi-Square df Asymp. Sig. 死 亡 率 9.740 2 .008
a
死 亡率
药 物 甲 药 乙 药 丙 药
Shapiro-Wilk Statistic df .953 5 .964 5 .955 5
Sig. .757 .834 .773
*. This is a lower bound of the true significance. a. Lilliefors Significance Correction
2015年6月2日星期二10时47分19秒
制作：王立芹
二、（完全随机设计）多独立样本非参数检验
1.原始数据资料
例：见P例8-5
数据库：
药物:分组变量，1=甲药， 2=乙药，3=丙药； 死亡率（%）
2015年6月2日星期二10时47分19秒
制作：王立芹
Tests of Normality Kolmogorov-Smirnov Statistic df Sig. .178 5 .200* .216 5 .200* .184 5 .200*
Spss的非参数检验
Spss的两样本非参数检验一、实验目的1.理解两独立样本非参数检验方法的设计思想，重点掌握曼—惠特尼U检验和kruskal-wallis及钠盐的基本原理及适用的场合，熟练掌握spss独立样本的数据组织方式和具体操作。
2.理解两配对样本非参数检验方法的设计思想，重点掌握wilcoxon符号秩检验和friedman 检验的基本原理及适用场合，熟练掌握spss配对样本的数据组织方式和具体操作。
二、实验内容1.超市中有A,B两种品牌的袋装白糖，标重均为400克。
分别对两种袋装白糖进行随机请选择适合的非参数检验方法，分析这两种品牌的袋装白糖的实际重量是否存在显著差异。
2.为研究喝酒是否显著增加驾驶员在应急情况下的刹车反应时间，随机测试了10名驾驶选择恰当的非参数检验方法对上述问题进行分析。
三、实验步骤及结果分析实验一：1.实验步骤●将数据输入spss软件环境中，建立两个变量一个是实际重量，另一个是分组标志。
然后对实际重量进行升序操作。
如：选择要排序的变量，右击鼠标，然后点击sort ascending 即可。
●对数据进行两独立样本的非参数检验；操作如下：analyze→nonparametric tests→2independent sample，打开2 independent sample tests对话框。
●在2 independent sample tests对话框中，将左侧“实际重量”变量选到右侧testvariable list中，将“分组标志”变量选到grouping variable中，点击define grouping 进入对话框，在group 1中填1，group 2中填2，点击continue完成分组定义。
●在test type框中，选择mann-whitney U和kolmogorov-smirnov Z;点击OK完成两独立样本检验。
2.实验结果及分析方法一：Mann-Whitney Test结果分析：在上面两个表格可知，A品牌及B品牌的样本量都是12个，两个秩和分别为95.5和204.5；W统计量取了A品牌的秩和95.5；U，Z统计量分别为17.5和-3.148。
非参数检验SPSS
统计分析
分析→非参数统计→K个相关样本检验→ before、w1、w2和w4均进入检验对列框 →检验类型: 选择Friedman →确定
结果解释
首先显示的是四个变量before、w1、w2、w4 的例数、均数、标准差、最大值和最小值。
接着显示检验结果： 秩均值分别1.29、3.86、3.00和1.86 ，χ2 = 16.714，P = 0.001，可认为患者四个阶段 的血清SGPT值有差别。
七、1-Sample K-S过程
调用此过程可对单样本进行KolmogorovSmirnov 检验，它将一个变量的实际频数 分布与正态分布（Normal）、均匀分布 （Uniform）、泊松分布（Poisson）进行 比较。
数据准备
以sales．Sav为例
统计分析
分析→非参数统计→ 单样本 Kolmogorov-Smirnov检验→ revenue选入检验变量列框 →
本例选定制，在其方框中键入1（根据需要选项， 本例是0、1二分变量，故临界割点值用1），再点 击OK钮即可。
结果解释
检验结果可见本例游程个数为14，检验 临界割点值（Test value） = 1.00， Z = 0.325，双侧 P = 0.746。 所以认 为此地方病的病户沿河分布的情况无聚 集性，而是呈随机分布。
符号检验（Sign Test）的结果，双侧P = 0.0703，则认为两组大鼠肝中Vit A含量无差别。
在这种情况下，应取配对符号秩和检验 （Wilcoxon）结果，因两法比较之下，配对符 号秩和检验较为敏感，效率较高。
四、配伍组资料秩和检验
[例13-4]用某药治疗血吸虫病患者，在 治疗前和治疗后一周、二周和四周各测 定7名患者血清SGPT值的变化，以观察该 药对肝功能的影响，结果如下表，问： 患者四个阶段的血清SGPT值有无不同
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
4.为研究烫伤后不同时间切痂对大鼠肝脏三磷酸腺苷（ATP）的影响，现将30只雄性大鼠随机分成3组，每组10只：A组为烫伤无切痂，B组为烫伤后24小时时切痂组，C组为烫伤后96小时切痂组，全部大鼠在烫伤168小时后测量其肝脏ATP含量。
试检验3组大鼠肝脏ATP总数均数是否相同。
表。
大鼠烫伤后肝脏ATP含量（mg）
解：由题意可知，通过分析多组独立样本的数据，推断样本来自多个总体的中位数或分布是否存在差异，所以可以选用多独立样本的Kruskal-Wallis检验
数据的组织方式如下：
30只雄性大鼠的多独立样本非参数检验的基本操作步骤如下：
(1)选择菜单：【Nnalyze】→【Nonparametric Tests】→【K Independent Samples】于是出现以下所示的窗口。
（2）、选择ATP 到【Test Variable List 】框中。
（3）、指定分组的变量到【Grouping Variable 】框，并按Define Range 按钮给出组标志值的而取之范围。
(4)、在【Test Type 】框中选择三种检验方法。
一、中位数检验结果如下图所示
表（a ） 三组雄性大鼠的中位数检验结果（一）·
Fr equencies
2948
1
6
> Median <= Median
ATP
A 组
B 组
C 组
分组
表（b ） 三组雄性大鼠的中位数检验结果（二）
表（a）与表（b）中，三组共同的中位数为9.5150，计算出卡方统计量为10.400，
概率P-值为0.006。
如果显著性水平α为0.05，由于概率
P-值小于显著性水平α，
应拒绝原假设，认为三组雄性大鼠的分布存在显著性差异。
二、多独立样本Kruskal-Wallis检验结果
表（c）三组雄性大鼠的Kruskal-Wallis检验结果（一）
表（d）三组雄性大鼠的Kruskal-Wallis检验结果（二）
由表（c）和表(d)可知：三组雄性大鼠的平均秩分别为8.7、23.6、14.2，K-W 统计量为14.65，概率P值为0.001。
如果显著性水平α为0.05，由于概率P-值小于显著性水平α，应拒绝原假设，认为三组雄性大鼠的平均秩差异是显著的，总体分布存在显著性差异。
三、多独立样本Jonckheere-Terpstra检验结果
表（e）三组雄性大鼠的Jonckheere-Terpstra检验结果
由表（e）可知，观测的J-T值为179.0，所有J-T值的平均值为150.0，标准差为26.30，观测的J-T值的标准化值为1.103，小于平均值相距较明显。
J-T统计量的概率P-值为0.27，如果显著性水平α为0.05，由于概率P-值大于显著性水平，不应拒绝原假设，认为三组雄性大鼠的分布不存在显著性差异。
心得
通过该次数理统计课程设计学习，使我更加深刻地体会到做任何事都要有耐心，不要一遇到困难就退缩，实验操作使我们巩固了原有的理论知识，培养了我们灵活运用所学过知识及技能来分析、解决实际问题的能力。
让我们运用自身知识和能力能在实际中的应用和发挥，激发创新意识，经过一周课程设计的学习，让我熟练的掌握了运用spss分析数据，尤其在求均数、频数、方差、标准差、T检验、相关分析、方差分析、回归分析。
在SPSS学习中,对它的认识由浅入深，循序渐进,实践中遇到的各种问题逐个攻克,学习这种在日常工作中有价值的分析方法，使我们更能轻易应付日后的社会的信息工作;掌握这种高级的技能,对我们工作就业提供了竞争优势。
在操作的过程中，由于对操作过程的不熟悉，导致输出数据的错误，经过我们耐心的学习，我们发现错误，寻找错误，更改错误，出于对知识的渴望，出于对新技术的好奇，出于对一切未知的求知。
我完成了这次数理统计的课程设计，不过这只是我学习路上的驿站，我会继续学习它。