M1-078M1: 数学与统计基础假设检验Medium
⚡闪卡盲测➔掌握度:

解释 Wilcoxon 秩和检验与它的适用场景。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-079 →
📐 核心数学机理公式
U=∑i∈group1rank(xi)−n1(n1+1)2U=\sum_{i\in\text{group1}}\mathrm{rank}(x_i)-\frac{n_1(n_1+1)}{2}
⚡ 一句话直击要害答案
非参数检验,用秩代替数值比较两组;对异常值与重尾数据鲁棒,不要求正态。

📌 核心要点提炼

  • •
    检验的是'一组是否随机大于另一组'(位置差异)
  • •
    对异常值鲁棒(秩不受极端值影响)
  • •
    大样本下 U 近似正态

📐 数学机理与严密推导

Wilcoxon 秩和检验(= Mann-Whitney U 检验)的做法:把两组数据混合后排序,用秩(而非原始值)计算统计量 U;若两组来自同一分布,则秩应在两组间随机分配。与 t 检验的关键差异:① 假设更弱——不要求正态分布,只要求两组分布形状相同(若不同则检验的是'随机占优');② 对异常值鲁棒——秩不受极端值大小影响(最大值与次大值只差一个秩),故重尾数据下比 t 检验稳健得多;③ 功效——数据确实正态时,t 检验功效更高(约高 5%);数据重尾时秩和检验功效显著更高。原假设的精确表述:H₀ 为'两组来自同一分布'(或更弱:P(X>Y)=P(X<Y)=0.5),备择为'一组随机大于另一组'——注意这比 t 检验的'均值相等'更一般(不依赖均值的存在性)。

🏭 深度剖析与工业落地权衡

实践要点:① 何时使用——数据重尾(如延迟、收入、点击次数)、样本量小、有序(等级)数据、含异常值;A/B 测试中若指标是重尾分布(如人均消费),秩和检验比 t 检验更可靠。② 对应的配对版本——配对数据用 Wilcoxon 符号秩检验(对差值取绝对值后排序,考虑符号);两组独立则用秩和检验。③ 多组比较——用 Kruskal-Wallis 检验(ANOVA 的非参数对应)替代多次秩和检验。④ 局限——若两组分布形状不同(方差差异大),秩和检验的解读复杂(不再是单纯的位置差异);此时可用 Brunner-Munzel 检验。⑤ A/B 测试的实践选择——工业界常用 bootstrap 替代秩和检验,因为它能直接给出效应量与置信区间(而秩和检验只给 p 值),且对任意统计量(均值、中位数、分位数)都适用;两者都属'无分布假设'路线。⑥ 报告的完整性——非参数检验应同时报告效应量(如中位数差、Cliff's delta、或概率优势 P(X>Y)),而非只报 p 值。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    对重尾/含异常值的数据直接用 t 检验
  • ✕
    两组分布形状不同时按'位置差异'解读秩和检验
🎯 面试官连环追问与延伸考察
  • ?
    秩和检验与 t 检验的功效差异?
  • ?
    它检验的原假设是什么?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-077: 解释卡方检验的三种主要用途。📋 返回题库下一题 →M1-079: 什么是等价性检验(TOST)?它与常规显著性检验有何不同?