非参数检验

非参数检验 (Nonparametric Test)

非参数检验 (Nonparametric Test) 是一类统计推断方法，其核心特点是不对所分析数据的总体概率分布形态做任何严格的假设，因此也被称为分布自由检验 (Distribution-Free Tests)。与之相对的是参数检验 (Parametric Tests)，后者通常要求数据来自特定分布（最常见的是正态分布），并对分布的参数（如均值$\mu$和方差$\sigma^2$）进行推断。非参数检验不依赖于总体分布的具体形式，而是利用数据的排序、符号或频率等信息进行分析，这使得它们在处理不满足参数检验前提条件的数据时成为稳健且重要的工具。

核心思想与原理

参数检验的效力建立在数据符合其分布假设的基础上。例如，t检验假设样本来自正态分布总体。然而，现实数据常常不满足这些假设——数据可能严重偏斜、包含极端异常值，或本质上是顺序数据而非连续数值。非参数检验通过以下原理绕开这些限制：

第一，数据转化：将原始数值转化为等级 (Ranks) 或符号 (Signs)。例如，数据$\{8, 2, 15\}$转化为等级$\{2, 1, 3\}$，检验不再关注数值大小，而是关注相对位置。第二，基于等级推断：检验统计量基于等级或符号计算，而非原始数值，从而避免了对总体分布形态的依赖。第三，对中位数检验：许多非参数检验实际上检验的是总体的中位数（Median）是否相等，而非均值。由于中位数对异常值不敏感，检验结果更为稳健——例如数据集$\{5, 8, 10, 12, 100\}$的均值为$27$而中位数为$10$，异常值$100$对中位数毫无影响。

何时使用非参数检验

选择非参数检验通常基于以下考虑：当正态性检验（如Shapiro-Wilk检验）表明数据显著偏离正态时；当数据为顺序数据（如等级评分）时，对编码进行加总和求均值意义不大，但比较等级和中位数则非常合理；当样本容量较小（如$n<30$），难以有效验证分布假设时；当数据中存在可能严重影响结果的极端异常值时，非参数检验因其稳健性而表现更佳。

非参数检验虽被称为"分布自由"，但并非"无假设"——它通常要求观测独立性、变量的连续性（以避免大量"结"出现），且在比较独立样本时需假设各组分布形状相似。若分布形状差异很大，则零假设实际上是更广义的"两总体分布相同"，而非仅仅是中位数相同。

优势与劣势

优势：对异常值稳健、适用性广（可用于名目数据、顺序数据和非正态数值数据）、假设宽松减少误用风险、计算简便。劣势：统计功效较低——当数据确实满足参数检验假设时，非参数检验需要更大的效应量或更多样本才能检测出真实差异，这是一种为稳健性付出的"代价"；将数值转化为等级会造成一定信息损失；结果解释可能更复杂（如拒绝零假设可能意味着分布不同，而不一定意味着中位数不同）；在复杂模型（如多因素方差分析、回归分析）中应用有限。

常见非参数检验速查

• 单样本位置检验：符号检验 (Sign Test) 或 Wilcoxon符号秩检验 (Wilcoxon Signed-Rank Test) —— 替代单样本t检验
• 配对样本位置检验：同上 —— 替代配对样本t检验
• 两独立样本位置检验：Mann-Whitney U检验 (Mann-Whitney U Test) —— 替代独立样本t检验
• 三组以上独立样本：Kruskal-Wallis H检验 (Kruskal-Wallis H Test) —— 替代单因素方差分析
• 三组以上相关样本：弗里德曼检验 (Friedman Test) —— 替代重复测量方差分析
• 相关分析：斯皮尔曼等级相关系数 (Spearman's $\rho$) 或 肯德尔$\tau$系数 (Kendall's $\tau$) —— 替代皮尔逊相关系数
• 分类变量关联性：卡方检验 ($\chi^2$ Test) —— 检验两分类变量是否独立

Mann-Whitney U检验示例

以比较两种教学方法（A和B）对学生期末考试成绩的影响为例。假设A组有5名学生，B组有6名学生，且成绩数据可能不符合正态分布。零假设$H_0$：两种教学方法的学生成绩总体分布相同；备择假设$H_1$：两组成绩总体分布不同。

检验步骤如下：(1) 合并与排序——将两组共11名学生的成绩合并，从低到高排序并赋以等级，出现相同值时取平均等级；(2) 计算秩和——分别计算A组和B组的等级和，记为$R_A$和$R_B$；(3) 计算U统计量——$U_A = n_A n_B + \frac{n_A(n_A+1)}{2} - R_A$，$U_B = n_A n_B - U_A$，取$U = \min(U_A, U_B)$作为检验统计量；(4) 决策——将$U$值与给定显著性水平$\alpha$下的临界值比较，或直接计算其p值。若$U$小于临界值（或$p < \alpha$），则拒绝零假设，认为两种教学方法对学生成绩的影响存在显著差异。

通过这一过程，我们无需假设成绩服从正态分布，而是完全基于成绩的相对排名做出统计推断，充分体现了非参数检验分布自由、稳健可靠的本质特点。