外觀
Statistics › 無母數方法 › 何時使用
何時使用無母數方法 (When & Why)
第一步是判斷是否真的需要無母數方法。資料符合母數假設時硬用無母數,會白白損失檢定力。
考慮無母數的情況
| 情況 | 原因 |
|---|---|
| 資料是 Ordinal(Likert、分期、評分) | 間距不等,平均數沒有意義 |
| 小樣本且明顯非常態 | CLT 無法保證 |
| 嚴重離群值 | 主導平均數與變異數 |
| 嚴重偏態且關心的是「典型值」 | 平均數不具代表性 |
各母數檢定需要的假設與檢查方法見 假設檢查;離群值偵測見 單變數:數值型。
決策流程
text
資料是 Ordinal? ── 是 ──▶ 無母數
│否
n 小(< 30)? ── 是 ──▶ Q–Q 圖 + Shapiro-Wilk ── 近似常態 ──▶ 母數
│否 └─ 非常態 ──▶ 無母數(或轉換、置換檢定)
嚴重離群值 / 極端偏態? ── 是 ──▶ 無母數(或轉換後用母數)
│否
母數方法(CLT 支撐)偏態資料也可以先 log 轉換 再用母數方法。這樣比較的是幾何平均,常比無母數更有檢定力、也更好解讀(例如 fold change)。
代價:檢定力
| 情況 | 後果 |
|---|---|
| 資料真的常態,卻用無母數 | 檢定力損失小(Mann-Whitney 約為 t 檢定的 95% 效率),但需要稍大樣本 |
| 資料非常態(厚尾),卻用母數 | 可能反而是母數檢定力較低,結果也可能失準 |
| Ordinal 資料用母數 | 假設不成立,結論不可靠 |
小樣本的陷阱:n = 3 vs 3 時,Mann-Whitney 最小可能的雙尾 p 值是 0.1,永遠不可能顯著。生物實驗常見的小樣本,無母數未必是解方。
無母數檢定其實在檢定什麼
| 檢定 | 嚴格來說檢定的是 | 何時可解讀為「中位數差異」 |
|---|---|---|
| Mann-Whitney U | 一組的值是否傾向大於另一組,P(X > Y) ≠ 0.5(隨機優勢 stochastic dominance) | 兩組分配形狀相同、只差位移 |
| Wilcoxon signed-rank | 差值是否對稱於 0 | 差值分配對稱 |
| Kruskal-Wallis | 至少一組的排名分配不同 | 各組形狀相同 |
顯著的無母數結果,原則上用「分配 / 排名的差異」來描述,除非有更強的形狀假設才說「中位數不同」。