跳转至

非参数方法

方法简介

当数据不满足正态分布或方差齐性假设时，非参数检验是参数检验的稳健替代方法。临床试验中常用于 ordered categorical data、小样本或明显偏态分布的数据。

常用方法

场景 参数方法 非参数替代
两组比较 两样本 t 检验 Wilcoxon 秩和检验 (Mann-Whitney U)
配对比较 配对 t 检验 Wilcoxon 符号秩检验
多组比较 ANOVA Kruskal-Wallis 检验
相关性 Pearson Spearman 秩相关
分类数据 卡方检验 Fisher 精确检验

AI Prompt 模板

Prompt 
我有两组非正态分布的连续数据（n=30/组），
请用 Wilcoxon 秩和检验比较组间差异，
计算中位数和 IQR 作为描述统计，
同时报告效应量 (r = Z/√N)。

代码实现

# Wilcoxon 秩和检验
wilcox.test(endpoint ~ treatment, data = data, exact = FALSE)

# Kruskal-Wallis 检验
kruskal.test(endpoint ~ group, data = data)

# Spearman 相关
cor.test(x, y, method = "spearman")

# Fisher 精确检验
fisher.test(table(data$treatment, data$response))

# 效应量 r
library(rstatix)
wilcox_effectsize(data, endpoint ~ treatment)

from scipy import stats

# Wilcoxon 秩和检验
stat, p = stats.mannwhitneyu(
    df[df.treatment=='Drug'].endpoint,
    df[df.treatment=='Placebo'].endpoint
)

# Kruskal-Wallis
stat, p = stats.kruskal(df[df.group=='A'].endpoint,
                         df[df.group=='B'].endpoint,
                         df[df.group=='C'].endpoint)

# Spearman 相关
rho, p = stats.spearmanr(x, y)

# Fisher 精确检验
odds, p = stats.fisher_exact(pd.crosstab(df.treatment, df.response))

proc npar1way data=adqs wilcoxon;
    class treatment;
    var endpoint;
run;

proc corr data=adqs spearman;
    var var1 var2;
run;

相关可视化