1. 何時使用非參數檢驗
或許你還沒有理解什麼是參數檢驗、非參數檢驗，但一定曾在無意之中使用過它們。如我們常用的方差分析、T檢驗，都屬於參數檢驗。
你可能聽說過，當在使用方差分析時，需要在分析前對數據的正態性和方差齊性進行判斷，如果服從正態性、方差齊性，才可以使用方差分析。反之，如果沒有滿足這些假設條件，則考慮使用非參數檢驗。
參數檢驗，就是假定數據服從某種分布，通過樣本信息對總體參數進行檢驗。因而在分析前，先要檢驗數據是否符合該類型的分布，如果數據無法滿足檢驗假設的情況不符合分布情況，則可以考慮選擇使用非參數檢驗。
2. 非參數檢驗和參數檢驗的對比
① 適用範圍：
非參數檢驗用作參數檢驗的替代方法，當數據不滿足正態性時，將使用非參數檢驗。因此，關鍵是要弄清楚是否具有正態分布。如果數據大致呈現"鍾型"分布，則可以使用參數檢驗。
② 檢驗效能：
如果數據滿足參數分布，應該優先選擇參數檢驗方法。願因在於參數檢驗的檢驗效能要高於非參數檢驗。尤其是在樣本數較大的情況下，參數檢驗結果較為穩健，所以即使不服從正態分布，也會選擇參數檢驗。
③ 對比指標：
參數檢驗一般用平均值反映數據的集中趨勢；但由於數據不正態或受到極端異常值影響，在非參數檢驗中如果再使用平均值描述顯然不太準確（比如常被吐槽的人均收入），此時中位數是更好的選擇。
參數檢驗
參數檢驗用平均值及標準差描述樣本分布請況。
非參數檢驗
非參數檢驗結果中使用的是中位數描述差異。
④ 圖形展示
除了使用以上指標進行分析，還可以通過圖形直觀展示數據情況。參數檢驗常用圖形有：折線圖、條形圖等，非參數檢驗可以使用箱線圖查看。
3. 非參數檢驗的類型
凡是在分析過程中不涉及總體分布參數的檢驗方法，都可以稱為「非參數檢驗」。因而，與參數檢驗一樣，非參數檢驗包括許多方法。以下是最常見的非參數檢驗及其對應的參數檢驗對應方法：
單樣本Wilcoxon檢驗
單樣本Wilcoxon檢驗是單樣本t檢驗的代替方法。該檢驗用於檢驗數據是否與某數字有明顯的區別，如對比調查對象整體態度與滿意程度之間的差異。
Mann-Whitney檢驗
Mann-Whitney檢驗是獨立樣本t檢驗的非參數版本。該檢驗主要處理包含等級數據的兩個獨立樣本，SPSSAU中稱為非參數檢驗。
Kruskal-Wallis檢驗
Kruskal-Wallis檢驗是單因素方差分析的非參數替代方法。Kruskal-Wallis檢驗用於比較兩個以上獨立組的等級數據。
在SPSSAU中，與Mann-Whitney檢驗統稱為「非參數檢驗」,分析時SPSSAU會根據自變量組別數，自動選擇使用Kruskal-Wallis檢驗或Mann-Whitney檢驗。
配對Wilcoxon檢驗
Wilcoxon符號秩檢驗是配對樣本t檢驗的非參數對應方法。該檢驗將兩個相關樣本與等級數據進行比較。
4. SPSSAU操作
案例：分析不同性別學生，學習成績是否存在差異？
正態性檢驗
根據正態圖顯示，數據不服從正態分布，因而考慮使用非參數檢驗進行分析。
操作步驟
左側方法欄點擊【通用方法】→【非參數檢驗】；將用於分組的自變量X放入【X(定類)】框；因變量放入【Y（定量）】框；點擊開始非參數檢驗分析。
結果分析
非參數檢驗分析步驟與參數檢驗步驟基本一致，建議參考SPSSAU輸出結果中的「分析建議」及「智能分析」即可。
5. 兩兩比較
如果涉及2組以上的數據，當結果呈現出顯著差異時，要進一步對比兩兩組別，可以在分析前勾選「Nemenyi兩兩比較」。
6. 總結
以上就是非參數檢驗的流程梳理，事實上在大部分研究中，如果可以使用參數檢驗，即使不滿足正態分布，也優先選擇參數檢驗，尤其是在樣本量較大的情況下。