SPSS案例分析：非配对样本的非参数Mann-Whitney U检验

<think>我们首先需要明确用户意图：用户希望了解Mann-Whitney U检验的定义、用途及应用方法。因此，我们需要通过搜索获取相关信息，并按照要求组织答案。 根据要求，答案需要： - 整合检索内容，详细清晰，具有实用性和可操作性。 - 禁止引用集中在末尾（即边叙述边融入引用，但注意要求中没有要求标注引用来源，所以重点在于整合信息）。 - 避免第一人称和步骤词汇（如首先、然后）。 - 组织为多个方法或步骤，每个步骤间换行。 - 如果涉及公式和代码，按照格式要求。 - 最后添加相关问题部分。 我们计划将答案分为几个部分： 1. 定义：解释Mann-Whitney U检验是什么。 2. 用途：说明它的应用场景和目的。 3. 假设条件：列出使用该检验的前提条件。 4. 步骤：详细说明如何进行计算（包括公式）和判断。 5. 实例：给出一个简单的例子（可能包括数据示例和代码示例，例如使用Python的scipy库实现）。 6. 注意事项：可能包括与t检验的区别、适用情况等。 注意：由于要求避免步骤词汇，我们在描述步骤时可以使用其他方式，例如分点但不用“首先”等词，而是直接陈述。 我们将进行网络搜索，获取关于Mann-Whitney U检验的权威定义、步骤等信息。 搜索关键词：Mann-Whitney U test definition, application, usage, statistics 根据搜索，我们得知： - Mann-Whitney U检验，也称为Wilcoxon秩和检验，是一种非参数检验，用于比较两个独立样本是否来自同一总体。 - 它适用于当数据不满足正态分布或样本量较小的情况。 - 原假设是两个独立样本来自相同的总体（或两个总体的分布相同）。 - 计算步骤：将两组数据合并排序，计算每组的秩和，然后计算U统计量。 公式： U统计量的计算公式： $$U_1 = R_1 - \frac{n_1(n_1+1)}{2}$$ $$U_2 = R_2 - \frac{n_2(n_2+1)}{2}$$ 其中，$R_1$和$R_2$分别是样本1和样本2的秩和，$n_1$和$n_2$是两个样本的大小。实际使用的U统计量是$U_1$和$U_2$中的较小者。 然后与临界值比较或计算p值进行判断。 在编程实现中，我们可以使用scipy.stats.mannwhitneyu。 下面开始组织答案：</think>### Mann-Whitney U检验详解 #### **定义** Mann-Whitney U检验（又称Wilcoxon秩和检验）是一种**非参数统计方法**，用于判断两个独立样本是否来自同一分布。通过比较两组数据的秩和而非原始数值，检验零假设$H_0$：两样本分布相同。其核心统计量为$U$值： $$U = R_1 - \frac{n_1(n_1+1)}{2}$$ 其中$R_1$为样本1的秩和，$n_1$为样本1的观测数。 #### **用途** - 比较两个独立组别的中位数差异（如对照组 vs 实验组） - 处理非正态分布数据或有序分类数据 - 适用于小样本（$n<30$）或方差齐性不满足的情况 - 替代独立样本t检验的非参数方案 #### **应用步骤** **数据准备** 确保两组数据独立且至少为有序尺度（如满意度评分、反应时间）。 **计算U统计量** 1. 合并两组数据并升序排列 2. 为每个观测值分配秩（相同数值取平均秩） 3. 计算样本1的秩和$R_1$ 4. 代入公式： $$U_1 = R_1 - \frac{n_1(n_1+1)}{2}$$ $$U_2 = n_1n_2 - U_1$$ 取$U = \min(U_1, U_2)$ **假设检验** - $H_0$：两样本分布相同 - $H_1$：两样本分布不同（或某一组显著更大/更小） - 查U分布表或软件计算p值（$n>20$时可用正态近似） **效应量计算** 常用Cliff's delta： $$\delta = \frac{U_1 - U_2}{n_1n_2}$$ 值域$[-1,1]$，$|\delta|>0.147$表示显著效应。 #### **Python代码示例** ```python from scipy.stats import mannwhitneyu # 示例数据：对照组和实验组 control = [23, 29, 31, 40, 45] treatment = [28, 34, 48, 55, 60] # 执行检验 statistic, p_value = mannwhitneyu(control, treatment, alternative='two-sided') print(f"U统计量: {statistic:.2f}, p值: {p_value:.4f}") # 效应量计算 n1, n2 = len(control), len(treatment) delta = (2*statistic/(n1*n2)) - 1 # Cliff's delta近似 print(f"效应量δ: {delta:.3f}") ``` #### **注意事项** - 样本独立性假设必须满足 - 对极端值稳健，但结（ties）过多需校正 - 大样本时使用连续性校正（`continuity=True`） - 报告结果需包含U值、p值和效应量 ---