两组数据不满足正态性？Wilcoxon秩和检验详解

引言Introduction

两组配对数据做比较时，很多人第一反应是配对t检验。但一旦差值不服从正态分布，就不能直接套用参数检验。这时，Wilcoxon秩和检验就成了更稳妥的选择。

1. 先判断研究设计，再决定用什么检验

1.1 配对数据不是“随便两组数据”

Wilcoxon秩和检验用于两组相关样本 ，也就是配对设计数据。常见场景包括同一批受试者干预前后比较，或者一对一匹配后的成对比较。

这类数据的核心不是“两个独立样本谁更大”，而是看每一对样本的差值方向和大小是否系统性偏离零 。因此，分析单位是“配对差值”，不是单个观测值。

1.2 先做正态性判断，再选方法

对于配对资料，常规思路是先计算差值，再检验差值是否服从正态分布。

如果差值近似正态，可用配对样本t检验。
如果差值不满足正态性，就应优先考虑Wilcoxon秩和检验。

这一点很关键。很多论文的问题不在于方法本身，而在于忽略了差值分布特征，直接使用了不合适的统计方法。

2. Wilcoxon秩和检验到底检验什么

2.1 它不是简单看“谁高谁低”

Wilcoxon符号秩检验的思想是，把每对数据的差值取绝对值后排序，再结合差值的正负号进行统计。

它不依赖正态分布假设，适合样本量较小、分布偏态、存在离群值的情形。
它检验的是两组配对数据的中心位置是否存在差异。

换句话说，它关注的是：

• 差值是否大多偏向某一方向。
• 偏向的幅度是否足够大。
• 这种偏离是否具有统计学意义。

2.2 它和符号检验的区别

符号检验只看正负号，不看差值大小。
Wilcoxon秩和检验在此基础上进一步利用了秩信息 ，所以效率更高。

这也是它在临床研究中更常用的原因。
当你既不能假设正态，又希望保留更多数据信息时，Wilcoxon秩和检验通常比符号检验更合适。

3. 适用条件与前提

3.1 适合哪些数据

Wilcoxon秩和检验适用于以下情况：

1. 两组为配对或相关样本。
2. 结局变量为定量资料，或至少可排序的有序变量。
3. 差值不满足正态分布，或样本量较小、正态性难以成立。

在临床研究中，常见于前后疗效评分、左右侧比较、配对病例对照分析、双生子研究等。

3.2 不适合直接使用的情况

如果两组是完全独立的样本，就不应使用Wilcoxon符号秩检验，而应考虑Mann-Whitney U检验 。
如果结局是二分类变量，则更适合McNemar检验。
如果是3组及以上相关样本，则常考虑Friedman检验。

先判断数据结构，再选检验方法。 这是统计分析的第一原则。

4. 检验思路与假设建立

4.1 原假设和备择假设怎么写

以配对比较为例，原假设通常写为：
H0：两组配对数据的总体分布位置无差异。

备择假设写为：
H1：两组配对数据的总体分布位置有差异。

如果是双侧检验，重点回答的是“是否不同”；
如果是单侧检验，则回答“是否更大”或“是否更小”。

在医学论文中，双侧检验更常见，也更稳妥。

4.2 统计量怎么看

Wilcoxon秩和检验会输出正秩、负秩、结值，以及Z值和P值。
其中最重要的是P值。

• P < 0.05，拒绝H0，认为两组配对数据差异有统计学意义。
• P ≥ 0.05，不拒绝H0，说明目前证据不足以支持存在差异。

但要注意，“无统计学差异”不等于“完全没有差异” 。
它只说明在当前样本和研究设计下，证据不足。

5. 一个典型临床案例如何理解

5.1 双生子配对研究的分析逻辑

在一个双生子研究中，研究者比较了20对孪生子出生前后骨骼生长得分。
这是典型的配对设计。
变量是定量资料。
研究者先计算“后出生者得分-先出生者得分”的差值，再做正态性检验。

结果显示，差值不满足正态分布，因此不能用配对t检验。
最终应采用Wilcoxon秩和检验。

5.2 结果如何解释

该案例中，检验结果显示Z = -1.067，P = 0.286。
因为P > 0.05 ，所以不拒绝原假设。
也就是说，没有证据表明两组孪生子的骨骼生长得分存在统计学差异。

进一步解读时，还应结合秩的分布情况。
例如，有些对次中后出生者得分更低，有些更高，另一些完全相同。
这说明差异并没有形成稳定、系统的偏移。

6. SPSS中如何操作

6.1 第一步，先计算差值

在SPSS中，先把配对变量整理好。
然后通过“转换”中的“计算变量”生成差值变量。

例如，定义为：
差值 = 后出生者得分 - 先出生者得分。

这一步的目的，是为后续正态性检验做准备。

6.2 第二步，检验差值正态性

进入“分析”中的“描述统计”或“探索”功能，对差值做正态性检验。
如果样本量较小，通常会参考Shapiro-Wilk检验。

若差值不满足正态分布，说明后续应选择非参数方法。
这一步是方法学判断的关键门槛。

6.3 第三步，执行Wilcoxon秩和检验

在SPSS中选择“分析”下的非参数检验，再进入两个相关样本的检验界面。
把配对变量放入检验对中，默认即可选择Wilcoxon方法。

输出结果后，重点看：

• 正秩和负秩的分布。
• Z值。
• P值。
• 是否存在大量结值。

这些信息共同支持你的结论。

7. 写论文时，结果部分怎么报告

7.1 推荐报告格式

结果部分建议简洁、完整。
可写成：

• 经正态性检验，差值不符合正态分布。
• 采用Wilcoxon符号秩检验进行比较。
• 检验结果显示Z值和P值。
• 根据P值判断差异是否有统计学意义。

如果期刊要求更严格，可以同时报告中位数和四分位数。
因为非正态资料更适合用中位数描述。

7.2 讨论时别忽略临床意义

统计学显著不等于临床重要。
反之亦然。
即使P值没有达到0.05，也要结合样本量、效应方向、研究背景和真实临床意义进行解读。

Wilcoxon秩和检验解决的是“统计差异”问题，不自动回答“临床价值”问题。

8. 常见误区

8.1 把独立样本和配对样本混为一谈

这是最常见错误之一。
配对数据不能随意按独立样本处理。
方法选错，P值就可能失真。

8.2 只看P值，不看数据结构

统计分析不能只盯着P值。
还要看是否配对、是否有重复测量、是否存在异常值、是否满足正态性。

8.3 忽视差值的正态性检验

对于配对设计，真正需要判断的是差值是否正态 ，不是单个组是否正态。
这一点在教学和论文写作中都很容易被忽略。

9. 结语与实战建议

9.1 先判断，再检验

面对两组配对数据，最稳妥的流程是：

1. 确认是否为配对设计。
2. 计算差值。
3. 检验差值正态性。
4. 正态则用配对t检验，非正态则用Wilcoxon秩和检验。

这条路径简单，但非常重要。
它能明显减少统计方法误用。

9.2 用专业工具提升分析效率

如果你在写论文、做课题或整理临床数据时，常常卡在统计方法选择、SPSS操作和结果表述上，可以借助解螺旋的专业支持。
它能帮助你更快完成数据整理、方法选择和论文表达，减少返工，让统计分析更规范、更高效。