非参数检验方法：何时用？怎么用？

引言：为什么需要非参数检验？

在传统的参数检验（如 t 检验、方差分析）中，我们通常假设数据服从特定的分布（尤其是正态分布）。但在真实业务场景中，数据往往偏态、长尾、样本量小，无法满足正态性假设。此时，非参数检验（Nonparametric Tests） 就是答案。

非参数检验不依赖于特定的分布假设，基于数据的秩（Rank） 进行推断，因此也被称为自由分布检验（Distribution-Free Tests）。

非参数检验的优缺点

优点	缺点
适用范围广，无需正态假设	相比参数检验，检验效能（Power）略低
对异常值不敏感（基于秩而非均值）	当数据满足正态时，不如参数检验精确
适用于小样本数据	结果通常不如参数检验直观（无”均值差异”）
可处理分类数据和等级数据	大样本下计算可能更繁琐

非参数检验方法全览与适用场景

根据数据类型和研究目的，选择合适的非参数检验方法。

一、单样本检验

1. 单样本 Wilcoxon 符号秩检验

目的：检验样本的中位数是否等于某一假设值
适用场景：
- 样本数据不服从正态分布
- 只有一组样本，希望与某个标准值/目标值比较
案例：

供应商的 BOM 完整度（平均 12/16 列）是否显著低于预期的 16 列？

二、两个独立样本比较

1. Mann-Whitney U 检验（曼-惠特尼 U 检验）

目的：检验两组独立样本是否来自同一分布
适用场景：
- 两组独立样本，比较其分布差异
- 数据不服从正态，或样本量小
- 替代独立样本 t 检验
案例：

合格组 vs 缺失组的供应商，其采集人数分布是否有显著差异？

2. Kolmogorov-Smirnov 双样本检验

目的：检验两组样本是否来自同一连续分布
适用场景：
- 两组独立样本
- 对分布形状差异敏感
- 检验效能通常不如 Mann-Whitney，但更全面

三、两个配对样本比较

1. Wilcoxon 符号秩检验（配对版）

目的：检验配对样本的差值中位数是否为零
适用场景：
- 配对数据（同一样本前后测，或配对样本接受两种处理）
- 差值不服从正态分布
- 替代配对样本 t 检验
案例：

19 家缺失供应商的”期望列数”与”实际列数”是否存在系统性差异？

四、多个独立样本比较

1. Kruskal-Wallis H 检验（克鲁斯卡尔-沃利斯 H 检验）

目的：检验多个（3个及以上）独立样本是否来自同一分布
适用场景：
- 三组或以上独立样本
- 数据不服从正态，或样本量小
- 替代单因素方差分析（ANOVA）
案例：

按采集人数（1/2/3/4人）分组，比较四组供应商的完整度分布是否有显著差异？

2. Jonckheere-Terpstra 检验

目的：检验多个样本是否存在单调趋势
适用场景：
- 有先验假设：组间存在特定的单调顺序
- 比 Kruskal-Wallis 更具针对性
案例：

随着采集人数增加，完整度是否呈现单调递减趋势？

五、多个配对样本比较

1. Friedman 检验（弗里德曼检验）

目的：检验多个（3个及以上）相关样本是否来自同一分布
适用场景：
- 多组配对/重复测量数据
- 不满足重复测量 ANOVA 的假设
- 替代重复测量方差分析
案例：

同 29 家供应商，在四个不同季度的完整度是否存在显著差异？

六、相关性分析

1. Spearman 等级相关系数

目的：衡量两个变量之间的单调关系
适用场景：
- 两个变量均为有序分类或不服从正态
- 关注单调关系（不一定是线性）
- 替代 Pearson 相关
案例：

供应商的”采集人数”与”数据完整度”是否存在负相关？

实战案例：供应商 BOM 数据完整度分析

结合谁在拖垮供应商BOM数据的完整度？——基于29家供应商的非参数检验与回归分析 | Aria Ing’s Blog，梳理一套完整的非参数检验流程。

研究背景

针对 29 家供应商的 BOM 数据，探索影响数据完整度的因素。由于数据非正态，采用非参数方法。

分析流程

Step 1：正态性检验 —— 确认数据分布

首先检验数据是否服从正态分布，以决定后续采用何种方法。

变量	K-S 显著性	S-W 显著性	结论
完整度	0.000	0.000	非正态
采集人数	0.000	0.001	非正态

决策：所有变量均非正态，选择非参数方法。

Step 2：Mann-Whitney U 检验 —— 组间差异（二分类）

分组：pass（合格=0 vs 缺失=1）
目标变量：采集人数
SPSS 操作：
1. 分析 → 非参数检验 → 独立样本
2. 检验方法选择 曼-惠特尼 U
3. 将 pass 放入分组，采集人数 放入检验变量
结果：
- U = 11.000, p < 0.001
- 效应量 r = 0.76 (大效应)
结论：合格组与缺失组的采集人数差异极显著。

Step 3：Kruskal-Wallis H 检验 —— 组间差异（多分类）

分组：采集人数（1人/2人/3人/4人）
目标变量：完整度
SPSS 操作：
1. 分析 → 非参数检验 → 独立样本
2. 检验方法选择 克鲁斯卡尔-沃利斯 H
3. 将 采集人数 放入分组，完整度 放入检验变量
结果：
- H = 12.728, p = 0.005
- 1人组秩平均 22.25，4人组秩平均 8.50
结论：四组间完整度存在显著差异，且呈单调递减。

Step 4：Wilcoxon 符号秩检验 —— 配对差异

配对变量：期望列数 vs 实际列数
SPSS 操作：
1. 分析 → 非参数检验 → 相关样本
2. 检验方法选择 符号秩
3. 将 期望列数 和 实际列数 选入
结果：
- Z = -3.841, p < 0.001
- 19条供应商全部存在缺失
结论：存在系统性信息缺失。

Step 5：Spearman 相关 —— 变量关系

变量：采集人数 vs 完整度
SPSS 操作：
1. 分析 → 相关 → 双变量
2. 勾选 斯皮尔曼等级相关
结果：
- ρ = -0.662, p < 0.001
结论：采集人数与完整度呈中等强度负相关。

方法选择决策树

📌 记忆方法：

非正态找非参，非参找秩次；

两组独立 M-U，多组独立 K-W；

两组配对 Wilcoxon，多组配对 Friedman。

非参数检验 vs 参数检验：如何选择？

场景	参数检验 (Parametric)	非参数检验 (Nonparametric)
分布假设	正态分布	无要求
数据类型	连续型，偏态影响大	连续型、有序分类均可
样本量	建议 n≥30	小样本 (<30) 优势明显
异常值	敏感，应剔除	不敏感，稳健
检验效能	较高（满足假设时）	略低（损失部分信息）
软件操作	常规菜单	专门的非参数检验菜单