如果：研究数据不符合此项条件，例如测量同一组患者治疗前与治疗后的血生化指标，这样数据属于配对样本数据，应选用Wilcoxon符号秩和检验。

假设4：Mann-Whitney U检验假设——自变量中两组样本的分布一致。

例如：男性组和女性组的接受度评分的分布可能有以下3种情况（图A与图B符合假设4，图C不符合）：

(图A.数据分布完全一致；图B.数据分布形状一致，但均值不同）

(图C.数据分布形状不一致)

验证假设

假设1：数据中有一个因变量，且因变量为连续变量或等级变量。

通过数据特点判断，本例中因变量为对广告的接受度评分，为连续变量。

假设2：数据中有一个自变量，且自变量为二分类的独立变量。

通过数据特点判断，本例中自变量为性别分组，男性组和女性组，为二分类的独立变量。

假设3：观察值之间相互独立，即自变量的两个分组中的研究个体不能相关。

通过数据特点判断，本例中自变量为性别，一个研究对象只能在其中的一个分组，不会存在一个研究对象即在男性组又在女性组的情况。

假设4：Mann-Whitney U检验假设——自变量中两组样本的分布一致。

通过SPSS软件画图判断。如果Mann-Whitney U检验选用旧对话框进行SPSS操作，这里需要通过Graphs——Chart Builder模块进行画图，具体操作步骤如下：

1. 点击主菜单上的Graphs——Chart Builder。

2. 在跳出的对话框中选择“Histogram”模式，双击该模式下的“Population Pyramid”图形。

3. 在显示的界面中需要设置分布变量“Distribution Variable”及拆分变量“Split Variable”，将性别变量“gender”放入拆分变量“Split Variable”，将接受度评分“engagement”放入分布变量“Distribution Variable”，点击“OK”按钮。

4. 图形解读，SPSS软件输出如下图形：

如果数据的分布一致，则可以使用Mann-Whitney U检验来判断两组数据的中位数大小，以此来判断男性组与女性组的接受度评分是否相同。

在本例中，两组的数据分布相似，因此可以比较两组数据的中位数。然而，如果两组数据的分布不同，仍然可以使用Mann-Whitney U检验，此时两组比较的不是数据的中位数，而是数据的平均秩次。

Mann-Whitney U检验的SPSS操作

1. 在SPSS 18及之后版本中，可以点击Analyze — Nonparametric Tests— Legacy Dialogs(旧对话框)— 2 Independent Samples（如下图所示），本文按照此操作步骤为例来展示。[版本18之前的软件点击Analyze——Nonparametric Tests——2 Independent Samples]

出现如下对话框，勾选检验类型“Test Type”中的“Mann-Whitney U”选项：

2. 将因变量“engagement”放入“Test Variable List”，将自变量“gender”放入“Grouping Variable”

注：如果有多个需要分析的因变量，可以一齐放入“Test Variable List”，在报告结果时可以同时显示多个因变量与性别之间的关系。例如，加入自变量“happiness” (如下图所示)：

3. 点击分组变量中的分组定义“Define Groups”，将性别分组中男性组的赋值1填写至“Group 1”，将女性组的赋值2填写至“Group 2”，点击下方的“Continue”。

4. 返回至主对话框后点击“Option”按钮，如果在处理的数据中有缺失值，在“Missing Values”中选择“Exclude cases test-by-test”，在进行Mann-Whitney U检验时可以自动排除缺失数据。

注：如果选择了多个因变量进入此项分析，例如数据中有两个因变量：

“engagement”与“happiness”，这两个因变量中均有缺失值，第8名调查者的“engagement”数据缺失，第11名调查者的“happiness”数据缺失，处理缺失数据时选择“Exclude cases test-by-test”或者“Exclude cases listwise”是有区别的：

① 选择“Exclude cases test-by-test”

选择“Exclude cases test-by-test”后，只排除缺失的数据，其余数据均保留。如分析“engagement”时，只排除第8名调查者的缺失数据，而第11名调查者的数据保留，而分析“happiness”时只排除第11名调查者的缺失数据，而第8名调查者的数据保留。

【选择“Exclude cases test-by-test”模式，分析幸福值的性别差异时将包括第8名调查者的“happiness”变量值（5.66）；选择“Exclude cases test-by-test”模式，分析接受程度评分的性别差异时将包括第11名调查者的“engagement”变量值（5.83）】

② 选择“Exclude cases listwise”

选择“Exclude cases listwise”意味着，任何一个因变量中有数据缺失，那么该调查者的全部数据都被剔除，例如第8名调查者中“engagement”中数据缺失，第11名调查者“happiness”数据缺失，那么在在进行Mann-Whitney U检验时将第8名与第11名调查者的数据同时剔除。

【选择“Exclude cases listwise”模式，分析幸福值的性别差异时将不包括第8名调查者的“happiness”变量值（5.66）；选择“Exclude cases listwise”模式，分析接受程度评分的性别差异时将不包括第11名调查者的“engagement”变量值（5.83）】

5. 选择对话框中Statistics中的Deive与Quartiles选项后选择Continue。

提示：选择Statistics中的Deive与Quartiles选项后，报告出的结果并不一定是有用的，例如我们希望分别得到男性和女性组中广告接受程度的中位数，而结果只会报告广告接受程度及性别变量的中位数。因此，下一步我们介绍两组的中位数如何计算。

6. 最后回到Two-Independent-Sample Tests对话框，点击OK，得到输出结果。

计算各分组的中位数

在SPSS软件中进行Mann-Whitney U检验，无法报告各分组的中位数，而中位数是两组比较时的重要参数。因此，我们可以通过以下6步完成中位数的计算。

(1) 点击菜单中Analyze>Compare Means>Means…

出现中位数计算的对话框，如下图所示：

2. 将engagement放入因变量列表中，将gender放入自变量中。

3. 选择Options按钮，选择需要计算的参数：

4. 选择Median，取消预先选择的Mean、Number of Cases、Standard Deviation。

5. 点击Continue，返回Means对话框。

6. 点击OK，得到结果。

结果解读

1. Mann-Whitney U检验结果

本例中男性组和女性组的数据分布相似，因为我们先解读数据分布相似时的结果，使用旧对话框得出的结果如下图所示：

Test Statistics表格中Mann-Whitney U代表检验的U统计量值为145；Z代表Z值；Asymp.Sig(2-tailed)代表渐进P值；Exact Sig[2*(1-tailed Sig.)]代表精确P值。

样本量越大，渐进P值就越接近真实P值。当每个分组的样本量小于20时，SPSS软件会自动计算精确P值，此时选择精确P值来判断检验假设。当样本量大于20时，渐进P值可以很好地代表真正的P值，因此选择渐进P值来判断检验假设。

本例中每组的样本量为20个，结果报告了精确P值为0.142，本例选用精确P值判断检验假设，P值大于界值0.05，因此不能拒绝原假设，即不能认为男性组和女性组的广告接受程度有统计学差异。

提示：如果在SPSS报告的结果中发现渐进P值与精确P值显示为“0.000”，这意味着P值小于0.0005，并不是真的为0。

2. 计算中位数输入结果

在本文的第六步中可以计算出各组的中位数值如下图：

【Median:中位数；gender:性别；engagement：接受度评分；Male:男性；Female:女性；Total:全部；】

3. 计算结果的表达

①数据分布相同的结果表达——中位数

②数据分布不同的结果表达——平均秩次

如果在实际的数据计算中发现各分组中数据的分布形状不同，则不能用中位数进行比较，需要对各组的数据进行编秩，算出平均秩次。返回搜狐，查看更多