{
  "id": "wilcoxon-signed-rank-test",
  "title": "威尔科克森符号秩检验",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "威尔科克森符号秩检验利用带符号的秩，对单样本或配对差值所来自的对称总体的位置进行非参数检验。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "符号秩检验",
    "威尔科克森配对符号秩检验",
    "威尔科克森配对样本检验"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/wilcoxon-signed-rank-test/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/wilcoxon-signed-rank-test/",
      "json": "https://aiwiki.page/en/wilcoxon-signed-rank-test.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "威尔科克森符号秩检验是一种统计假设检验，用于判断测量值总体或配对测量差值的总体是否关于某个指定值对称。它将相对于该值的偏差符号与偏差绝对大小的秩结合起来。在对称位置模型下，它检验总体中心是否等于指定值。该检验由弗兰克·威尔科克森于1945年提出，是非参数统计中的标准方法；当差值不适合采用正态模型时，可用它替代配对学生t检验。"
    },
    {
      "heading": "应用情形与假设",
      "text": "该检验有两种常见形式：\n\n- **单样本形式：**将观测值 \\(X_1,\\ldots,X_n\\) 与指定位置 \\(\\theta_0\\) 比较，使用差值 \\(D_i=X_i-\\theta_0\\)。\n- **配对样本形式：**每个观测单位提供两个测量值 \\(X_i\\) 和 \\(Y_i\\)，对差值 \\(D_i=Y_i-X_i\\) 进行检验。若假设的变化量不为零，也可以再减去该变化量。\n\n配对可以来自对同一单位的重复测量，也可以来自相互匹配的单位。检验要求不同配对之间具有统计独立性，而不要求同一配对内的两个观测值相互独立。\n\n标准表述假定，各差值是来自同一连续分布的独立观测，且该分布关于位置 \\(\\theta\\) 对称。原假设为\n\n\\[H_0:\\theta=0.\\]\n\n备择假设可以是双侧的，即 \\(\\theta\\ne0\\)，也可以是单侧的，即 \\(\\theta>0\\) 或 \\(\\theta<0\\)。\n\n在对称条件下，该位置也是总体的中位数。不过，符号秩检验并不是仅针对中位数的分布无关检验：一个分布可以具有零中位数，却并不对称，此时通常使用的符号秩零假设分布未必适用。"
    },
    {
      "heading": "统计量的构造",
      "text": "常规检验的步骤如下：\n\n- 计算差值 \\(D_i\\)。\n- 剔除等于零的差值。\n- 将绝对值 \\(|D_i|\\) 从小到大排序并赋秩。\n- 对绝对值相同的差值赋予平均秩。\n- 分别对正差值和负差值的秩求和。\n\n设 \\(m\\) 为非零差值的个数，\\(R_i\\) 为赋予 \\(|D_i|\\) 的秩。定义\n\n\\[W^+=\\sum_{i:D_i>0}R_i, \\qquad W^-=\\sum_{i:D_i<0}R_i.\\]\n\n由于秩之和为 \\(m(m+1)/2\\)，因此\n\n\\[W^++W^-=\\frac{m(m+1)}{2}.\\]\n\n较大的 \\(W^+\\) 支持正向位置偏移，较小的 \\(W^+\\) 则支持负向位置偏移。常用的检验统计量包括 \\(W^+\\)、两个秩和中的较小者\n\n\\[T=\\min(W^+,W^-),\\]\n\n以及带符号的秩和\n\n\\[S=W^+-W^-.\\]\n\n当 \\(m\\) 固定时，这些统计量包含等价的信息，但不同软件包采用的名称和报告惯例有所不同。因此，报告“威尔科克森统计量”时，需要明确其定义。\n\n这里的秩表示按数值大小排列的次序，与矩阵的秩无关。"
    },
    {
      "heading": "原假设下的精确分布",
      "text": "在连续且对称的原假设下，每个差值为正或为负的概率相等，而且符号与其绝对大小相互独立。给定观测到的绝对大小，全部 \\(2^m\\) 种符号分配方式等概率出现。\n\n因此，在没有并列值时，\\(W^+\\) 的分布与下式相同：\n\n\\[\\sum_{r=1}^{m}rB_r,\\]\n\n其中，\\(B_r\\) 是相互独立、成功概率为 \\(1/2\\) 的伯努利随机变量。\n\n由此可得到精确的抽样分布，可通过枚举或递推计算求出。对于上尾备择假设，P值为\n\n\\[P_0(W^+\\ge w_{\\mathrm{obs}}).\\]\n\n一种常用的双侧计算惯例是：将两个包含观测值本身的尾概率中较小者乘以2，并将结果限制在1以内：\n\n\\[p_{\\mathrm{two}} = \\min\\!\\left[ 1,\\, 2\\min\\left\\{ P_0(W^+\\le w_{\\mathrm{obs}}), P_0(W^+\\ge w_{\\mathrm{obs}}) \\right\\} \\right].\\]\n\n由于该分布是离散的，可取得的P值呈阶梯式变化。双侧精确P值的不同定义也可能产生不同结果，因此采用哪种计算惯例十分重要。\n\n示例\n\n假设有六个配对差值：\n\n\\[-1,\\ 2,\\ 3,\\ 4,\\ 5,\\ 6.\\]\n\n其绝对值的秩依次为 \\(1,\\ldots,6\\)，因此\n\n\\[W^-=1,\\qquad W^+=20,\\qquad T=1.\\]\n\n在 \\(2^6=64\\) 种可能的符号分配中，有两种使 \\(W^+\\le1\\)：所有秩均为负，或仅秩1为正。由对称性，也有两种使 \\(W^+\\ge20\\)。因此，将较小尾概率加倍得到的双侧P值为\n\n\\[p=\\frac{4}{64}=0.0625.\\]\n\n所以，六个差值中有五个为正，本身并不意味着结果在 \\(0.05\\) 的显著性水平下显著。"
    },
    {
      "heading": "正态近似",
      "text": "在没有并列值和零差值时，原假设下 \\(W^+\\) 的期望值和方差为\n\n\\[E_0(W^+)=\\frac{m(m+1)}{4},\\]\n\n\\[\\operatorname{Var}_0(W^+) = \\frac{m(m+1)(2m+1)}{24}.\\]\n\n样本量足够大时，标准化统计量近似服从正态分布：\n\n\\[Z= \\frac{W^+-m(m+1)/4} {\\sqrt{m(m+1)(2m+1)/24}}.\\]\n\n实际计算中常采用连续性校正，双侧计算通常将分子向零的方向调整 \\(0.5\\)。具体实现取决于所计算的尾部以及软件采用的惯例。\n\n不存在能够普遍保证近似足够准确的样本量界限。近似精度取决于样本量、并列值、零差值以及所关注的尾概率。"
    },
    {
      "heading": "并列值与零差值",
      "text": "绝对差值并列\n\n并列值采用平均秩。如果已剔除零差值，则给定各秩后，符号分配所产生的条件方差为\n\n\\[\\operatorname{Var}_0(W^+\\mid R_1,\\ldots,R_m) = \\frac14\\sum_{i=1}^{m}R_i^2.\\]\n\n等价地，若各并列组的大小为 \\(t_1,t_2,\\ldots\\)，则\n\n\\[\\operatorname{Var}_0(W^+) = \\frac{m(m+1)(2m+1)}{24} - \\frac{1}{48}\\sum_j(t_j^3-t_j).\\]\n\n出现并列值时，通常针对无并列情形编制的精确分布表不能直接照用。不过，只要原假设下的符号对称性假定成立，仍可使用观测到的平均秩，通过枚举符号分配进行精确条件计算。不同软件是否实现了这种计算，并不一致。\n\n零差值\n\n常见的处理惯例如下：\n\n- **威尔科克森惯例：**赋秩前剔除零差值。\n- **普拉特惯例：**对绝对差值赋秩时纳入零差值，但不将其秩计入正、负秩和。\n- **零值均分惯例：**赋秩时纳入零差值，并将其秩和的一半分别分配给正、负两侧。\n\n这些惯例会改变统计量及其在原假设下的分布。常规无零差值程序的公式，不能原封不动地套用于所有其他处理方式。\n\n如果所有差值均为零，常规程序就没有可供分析的非零秩。软件可能返回特殊结果，或提示计算未定义。"
    },
    {
      "heading": "位置估计与置信区间",
      "text": "符号秩方法与霍奇斯–莱曼估计量密切相关。对于一组单样本差值，构造沃尔什平均值：\n\n\\[A_{ij}=\\frac{D_i+D_j}{2}, \\qquad 1\\le i\\le j\\le n.\\]\n\n这些平均值的中位数就是单样本霍奇斯–莱曼估计值。\n\n它所估计的总体参数是伪中位数，定义为 \\((D+D')/2\\) 的一个中位数，其中 \\(D\\) 和 \\(D'\\) 是来自同一总体的独立观测。对于关于 \\(\\theta\\) 对称的连续分布，伪中位数和中位数均等于 \\(\\theta\\)。在非对称分布中，两者未必相同。\n\n通过对各个候选值反演符号秩检验，可以得到对称位置参数的置信区间。其端点可用排序后的沃尔什平均值表示。但这种联系并不意味着，只要将检验目标重新解释为伪中位数，就能使标准检验适用于任意非对称分布。"
    },
    {
      "heading": "与相关检验的比较",
      "text": "配对学生t检验\n\n配对学生t检验检验的是平均差值；当差值服从正态分布时，其统计量具有精确的有限样本t分布。符号秩检验使用秩而非原始数值大小，其标准的位置参数解释以对称性为前提。\n\n符号秩检验对极端差值的具体数值大小不那么敏感：即使将绝对值最大的差值进一步增大，也不会改变其秩。但这并不意味着该检验不需要假定，或不受异常观测影响。\n\n在正态位置备择下，它相对于配对t检验的渐近相对效率为 \\(3/\\pi\\)，约为 \\(0.955\\)。对于某些尾部更重的分布，其相对统计功效可能更高，但两种方法都不是在所有情况下更优。\n\n符号检验\n\n符号检验仅使用各差值为正还是为负的信息。对于连续且独立的观测，其针对中位数的检验不要求对称性。\n\n符号秩检验还利用绝对差值的大小次序。当对称模型适用时，这些额外信息可以提高功效，但也引入了符号检验不需要的假定。\n\n威尔科克森秩和检验\n\n威尔科克森秩和检验也称曼–惠特尼U检验，用于两个独立样本，并非符号秩检验。两者都可能被简称为“威尔科克森检验”，从而掩盖了配对设计与独立样本设计之间的区别。"
    },
    {
      "heading": "解释与局限",
      "text": "符号秩检验用于实验、测量研究以及其他差值具有明确数值大小含义的情境中的配对比较。解释其结果时，需要注意以下局限：\n\n- **对称性至关重要。**缺乏对称性时，拒绝原假设未必意味着中位数非零；中位数为零的非对称分布也可能不满足符号秩检验的原假设。\n- **差值必须具有实际含义。**对绝对差值赋秩，比仅仅对原始观测排序需要更强的测量结构。对有序类别进行任意数值编码，可能改变检验结果。\n- **观测值必须具有适当的依赖结构。**同一参与者的重复差值、聚类单位或存在序列依赖的测量，通常不能视为相互独立的配对。\n- **统计显著性不代表变化幅度。**P值并不量化某项变化的实际重要性。位置估计、区间或定义明确的效应量提供的是不同的信息。\n- **不拒绝原假设不等于等效。**较大的P值不能证明不存在变化，也不能证明变化小到可以忽略。\n- **配对并不能确立因果关系。**单凭显著的前后差异，无法识别因果效应；这种解释取决于研究设计以及可能存在的混杂。\n\n为保证结果可复现，报告应说明差值的相减方向、备择假设、统计量的定义惯例、并列值和零差值的处理方式，以及P值是精确计算、基于符号分配模拟，还是通过正态近似得到的。"
    }
  ],
  "links": [
    "statistical-hypothesis-testing",
    "statistical-independence",
    "null-hypothesis",
    "alternative-hypothesis",
    "median",
    "absolute-value",
    "test-statistic",
    "matrix-rank",
    "bernoulli-distribution",
    "sampling-distribution",
    "p-value",
    "significance-level",
    "expected-value",
    "variance",
    "normal-distribution",
    "confidence-interval",
    "students-t-test",
    "statistical-power",
    "effect-size",
    "confounding"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}