آزمون فرض در تحلیل‌های ناپارامتری؛ مفاهیم، مراحل و کاربردها

آزمون فرض در تحلیل‌های ناپارامتری چیست و چگونه باید نتایج آزمون‌های ناپارامتری را در پژوهش تفسیر کرد؟
آزمون فرض یکی از پایه‌ای‌ترین بخش‌های استنباط آماری است و به پژوهشگر کمک می‌کند بر اساس داده‌های نمونه درباره یک ادعای آماری مربوط به جامعه تصمیم‌گیری کند. زمانی که داده‌ها با برخی پیش‌فرض‌های روش‌های پارامتری سازگار نیستند، یا ماهیت رتبه‌ای و طبقه‌ای دارند، می‌توان از آزمون‌های ناپارامتری استفاده کرد.

آزمون‌هایی مانند من‌ویتنی، ویلکاکسون، کروسکال–والیس، فریدمن، اسپیرمن و آزمون علامت در بسیاری از پژوهش‌های علوم انسانی، مدیریت، روان‌شناسی، علوم تربیتی و علوم اجتماعی کاربرد دارند. اما اجرای آزمون به تنهایی کافی نیست؛ پژوهشگر باید بداند فرض صفر و فرض مقابل چیست، سطح معناداری چگونه تعیین می‌شود، p-value چگونه تفسیر می‌شود و اندازه اثر چگونه گزارش می‌شود.

در این راهنمای آکادمی ساپتز، مفهوم آزمون فرض در روش‌های ناپارامتری، مراحل اجرای آن، تفاوت آزمون‌های مهم، نحوه تفسیر خروجی و اشتباهات رایج را بررسی می‌کنیم.

آزمون فرض آماری چیست؟

آزمون فرض آماری (Statistical Hypothesis Testing) فرایندی است که در آن پژوهشگر با استفاده از داده‌های نمونه، شواهد موجود درباره یک فرض یا ادعای آماری را ارزیابی می‌کند.

در بیشتر آزمون‌ها دو فرض اصلی تعریف می‌شود:

فرض صفر

فرض صفر (H₀) معمولاً نشان‌دهنده نبود تفاوت، نبود رابطه یا برقرار بودن یک وضعیت پایه است.

برای مثال:

بین توزیع نمرات دو گروه تفاوتی وجود ندارد.

یا:

بین دو متغیر رابطه آماری وجود ندارد.

فرض مقابل

فرض مقابل (H₁ یا Hₐ) ادعایی است که در صورت وجود شواهد کافی علیه فرض صفر، مورد حمایت قرار می‌گیرد.

برای مثال:

بین توزیع نمرات دو گروه تفاوت وجود دارد.

نکته مهم این است که آزمون فرض معمولاً به معنای «اثبات قطعی» فرض مقابل نیست؛ بلکه میزان شواهد داده‌ها علیه فرض صفر را ارزیابی می‌کند.

چرا از آزمون‌های ناپارامتری استفاده می‌کنیم؟

آزمون‌های پارامتری مانند t مستقل، t زوجی یا ANOVA معمولاً به مجموعه‌ای از مفروضات آماری وابسته‌اند. زمانی که این شرایط برقرار نباشد، بسته به سؤال پژوهش و نوع داده می‌توان از روش‌های ناپارامتری استفاده کرد.

کاربرد آزمون‌های ناپارامتری می‌تواند در شرایط زیر مطرح باشد:

• داده‌ها رتبه‌ای باشند؛
• توزیع داده‌ها با فروض لازم برای روش پارامتری سازگار نباشد؛
• حجم نمونه برای روش انتخاب‌شده محدود باشد؛
• وجود داده‌های پرت یا شکل نامناسب توزیع، روش پارامتری را نامناسب کند؛
• متغیر مورد بررسی ماهیت طبقه‌ای یا رتبه‌ای داشته باشد.

با این حال، ناپارامتری به معنای بدون پیش‌فرض بودن نیست. هر آزمون ناپارامتری نیز شرایط خاصی برای کاربرد صحیح دارد.

مهم‌ترین مفاهیم در آزمون فرض ناپارامتری

سطح معناداری

سطح معناداری (α) آستانه‌ای است که پژوهشگر پیش از آزمون تعیین می‌کند. یکی از مقادیر رایج 0.05 است، اما انتخاب سطح معناداری باید با طراحی و حوزه پژوهش سازگار باشد.

مقدار p

p-value میزان سازگاری داده‌ها با فرض صفر را در چارچوب آزمون انجام‌شده نشان می‌دهد.

در یک چارچوب متداول:

اگر p < α باشد، شواهد آماری کافی برای رد فرض صفر وجود دارد.

اگر p ≥ α باشد، شواهد کافی برای رد فرض صفر وجود ندارد.

عبارت «فرض صفر پذیرفته شد» در بسیاری از موارد دقیق نیست. بهتر است گفته شود:

شواهد کافی برای رد فرض صفر به دست نیامد.

آماره آزمون

هر آزمون ناپارامتری آماره خاص خود را دارد؛ مانند U در من‌ویتنی، W در ویلکاکسون، H در کروسکال–والیس یا χ² در برخی آزمون‌های ناپارامتری.

اندازه اثر

معناداری آماری به تنهایی نشان نمی‌دهد تفاوت یا رابطه چه اندازه‌ای دارد. در بسیاری از تحلیل‌ها، گزارش اندازه اثر برای تفسیر اهمیت عملی یافته‌ها ضروری است.

مهم‌ترین آزمون‌های فرض در تحلیل‌های ناپارامتری

آزمون من‌ویتنی U

Mann–Whitney U برای مقایسه دو گروه مستقل کاربرد دارد و یکی از گزینه‌های ناپارامتری در برابر آزمون t مستقل است.

برای مثال:

آیا رضایت شغلی کارکنان در دو گروه استخدامی متفاوت است؟

اگر داده‌ها یا شرایط پژوهش برای t مستقل مناسب نباشد، من‌ویتنی می‌تواند بررسی شود.

این آزمون بر رتبه‌های داده‌ها تکیه می‌کند و تفسیر آن باید با توجه به شکل توزیع گروه‌ها و سؤال پژوهش انجام شود.

آزمون ویلکاکسون

Wilcoxon Signed-Rank Test برای مقایسه دو اندازه‌گیری وابسته یا جفت‌شده استفاده می‌شود.

برای مثال:

آیا سطح رضایت افراد قبل و بعد از اجرای یک برنامه آموزشی تغییر کرده است؟

این آزمون را می‌توان به عنوان گزینه ناپارامتری برای داده‌های زوجی در نظر گرفت، اما تفسیر دقیق آن به شرایط داده‌ها بستگی دارد.

آزمون کروسکال–والیس

Kruskal–Wallis H Test برای مقایسه بیش از دو گروه مستقل به کار می‌رود.

برای مثال:

آیا سطح رضایت مشتری در سه شعبه متفاوت سازمان تفاوت دارد؟

این آزمون تعمیمی ناپارامتری برای مقایسه چند گروه مستقل است.

اگر نتیجه کلی معنادار باشد، معمولاً نیاز به آزمون‌های مقایسه‌ای پس از آزمون (post hoc) برای تعیین اینکه کدام گروه‌ها با یکدیگر تفاوت دارند وجود دارد.

آزمون فریدمن

Friedman Test برای مقایسه چند اندازه‌گیری وابسته یا رتبه‌های مرتبط استفاده می‌شود.

برای مثال:

آیا رضایت افراد از سه روش آموزشی با یکدیگر تفاوت دارد، وقتی هر فرد هر سه روش را ارزیابی کرده است؟

اگر آزمون فریدمن معنادار شود، برای شناسایی زوج‌های متفاوت می‌توان از مقایسه‌های زوجی مناسب با کنترل خطای ناشی از چند مقایسه استفاده کرد.

آزمون علامت

Sign Test یک روش ناپارامتری برای بررسی تغییر یا تفاوت در داده‌های جفت‌شده است که در مقایسه با ویلکاکسون، اطلاعات مربوط به اندازه اختلاف‌ها را کمتر استفاده می‌کند.

این روش زمانی می‌تواند کاربرد داشته باشد که تمرکز اصلی بر جهت تغییر باشد.

همبستگی اسپیرمن

Spearman’s rho برای بررسی رابطه یکنواخت بین متغیرهای رتبه‌ای یا شرایطی که استفاده از همبستگی پیرسون مناسب نیست، کاربرد دارد.

در اینجا آزمون فرض معمولاً بررسی می‌کند که آیا شواهد کافی برای وجود رابطه رتبه‌ای بین دو متغیر وجود دارد یا خیر.

چگونه آزمون ناپارامتری مناسب را انتخاب کنیم؟

انتخاب آزمون باید از سؤال پژوهش شروع شود.

این جدول صرفاً یک راهنمای اولیه است و تصمیم نهایی باید بر اساس نوع متغیر، طراحی پژوهش، استقلال یا وابستگی مشاهدات و مفروضات آزمون انجام شود.

مراحل آزمون فرض در تحلیل‌های ناپارامتری

یک فرایند استاندارد را می‌توان در چند مرحله دنبال کرد.

مرحله اول: سؤال پژوهش را مشخص کنید

قبل از انتخاب آزمون باید دقیقاً بدانید چه چیزی را می‌خواهید بررسی کنید.

برای مثال:

آیا بین دو گروه مستقل از نظر رضایت تفاوت وجود دارد؟

مرحله دوم: فرض صفر و مقابل را تدوین کنید

برای نمونه:

H₀: دو گروه از نظر متغیر مورد نظر تفاوتی ندارند.

H₁: دو گروه از نظر متغیر مورد نظر تفاوت دارند.

مرحله سوم: نوع داده و طراحی پژوهش را بررسی کنید

مشخص کنید داده‌ها مستقل یا وابسته، کمی یا رتبه‌ای و مربوط به چند گروه هستند.

مرحله چهارم: آزمون مناسب را انتخاب کنید

بر اساس سؤال و ساختار داده، آزمون ناپارامتری مناسب انتخاب می‌شود.

مرحله پنجم: سطح معناداری را تعیین کنید

سطح معناداری پیش از نتیجه‌گیری تعیین می‌شود.

مرحله ششم: آزمون را اجرا کنید

آماره آزمون و p-value محاسبه می‌شوند.

مرحله هفتم: نتیجه آماری را تفسیر کنید

p-value با سطح معناداری مقایسه می‌شود و تصمیم آماری اتخاذ می‌گردد.

مرحله هشتم: اندازه اثر را بررسی کنید

در صورت امکان، اندازه اثر و فاصله اطمینان گزارش می‌شود تا اندازه عملی تفاوت یا رابطه نیز روشن شود.

مرحله نهم: نتیجه را در زمینه پژوهش تفسیر کنید

نتیجه آماری نباید جدا از سؤال پژوهش و مبانی نظری تحلیل شود.

آزمون دوطرفه و یک‌طرفه در روش‌های ناپارامتری

یکی دیگر از تصمیم‌های مهم، انتخاب آزمون یک‌طرفه یا دوطرفه است.

آزمون دوطرفه

در آزمون دوطرفه، پژوهشگر به دنبال هر نوع تفاوت یا رابطه است.

برای مثال:

بین دو گروه تفاوت وجود دارد.

آزمون یک‌طرفه

در آزمون یک‌طرفه، جهت رابطه یا تفاوت از قبل مشخص شده است.

مثلاً:

گروه A رضایت بیشتری از گروه B دارد.

استفاده از آزمون یک‌طرفه باید پیش از مشاهده نتایج داده‌ها و بر اساس فرضیه‌ای موجه انجام شود؛ نه برای اینکه پس از مشاهده نتیجه، معناداری بیشتری به دست آید.

تفسیر p-value در آزمون‌های ناپارامتری

فرض کنید در آزمون من‌ویتنی نتیجه زیر به دست آمده باشد:

p = 0.021

اگر سطح معناداری 0.05 باشد:

0.021 < 0.05

بنابراین شواهد آماری کافی برای رد فرض صفر وجود دارد.

اما نتیجه کامل نباید به صورت «گروه اول قطعاً بهتر است» نوشته شود. ابتدا باید مشخص شود آزمون دقیقاً چه چیزی را آزموده، سپس شاخص‌های توصیفی، توزیع یا رتبه‌ها و در صورت لزوم اندازه اثر بررسی شوند.

معناداری آماری در برابر اهمیت عملی

یکی از مهم‌ترین نکات در گزارش آزمون‌های ناپارامتری، تفکیک معناداری آماری از اهمیت عملی است.

فرض کنید آزمون نشان دهد:

p < 0.001

این نتیجه فقط نشان‌دهنده شواهد قوی آماری علیه فرض صفر در چارچوب آزمون است.

برای اینکه بدانیم تفاوت یا رابطه چقدر مهم است، باید شاخص‌های دیگری مانند اندازه اثر و شاخص‌های توصیفی نیز بررسی شوند.

در نمونه‌های بسیار بزرگ، حتی تفاوت‌های کوچک ممکن است از نظر آماری معنادار شوند.

اندازه اثر در آزمون‌های ناپارامتری

اندازه اثر بستگی به نوع آزمون دارد.

برای مثال، در برخی کاربردهای من‌ویتنی می‌توان از شاخص‌هایی بر پایه Z و حجم نمونه استفاده کرد. برای آزمون کروسکال–والیس نیز شاخص‌هایی مانند اپسیلون مربع یا اندازه اثرهای مرتبط با طراحی مطالعه مطرح هستند.

در فریدمن نیز بسته به روش گزارش، شاخص اندازه اثر مناسب می‌تواند گزارش شود.

نکته مهم این است که نباید یک شاخص را بدون توجه به نوع آزمون به همه روش‌های ناپارامتری تعمیم داد.

آزمون‌های پس از آزمون در تحلیل ناپارامتری

گاهی آزمون کلی فقط نشان می‌دهد حداقل یک تفاوت وجود دارد.

برای مثال، کروسکال–والیس بین چهار گروه نتیجه معناداری ایجاد می‌کند. این نتیجه نمی‌گوید:

کدام گروه‌ها با یکدیگر متفاوت هستند.

در این شرایط، می‌توان از مقایسه‌های دوتایی مناسب به همراه اصلاح خطای چندگانه استفاده کرد.

همین منطق درباره فریدمن نیز مطرح است؛ اگر آزمون کلی معنادار باشد، مقایسه‌های زوجی می‌توانند محل اختلاف را مشخص کنند.

خطاهای رایج در آزمون فرض ناپارامتری

انتخاب آزمون فقط به دلیل غیرنرمال بودن داده‌ها

غیرنرمال بودن به تنهایی دلیل کافی برای انتخاب یک آزمون مشخص نیست. طراحی پژوهش و نوع متغیر نیز اهمیت دارند.

یکی دانستن «ناپارامتری» با «بدون پیش‌فرض»

آزمون‌های ناپارامتری نیز مفروضات خاص خود را دارند.

گزارش فقط p-value

p-value اطلاعات کافی درباره اندازه یا اهمیت عملی یافته ارائه نمی‌کند.

استفاده از آزمون یک‌طرفه پس از مشاهده داده‌ها

جهت آزمون باید پیش از مشاهده نتیجه بر اساس فرضیه مشخص شده باشد.

نادیده گرفتن چندمقایسه‌ای بودن

اجرای تعداد زیادی آزمون بدون کنترل خطای نوع اول می‌تواند احتمال یافته‌های کاذب را افزایش دهد.

نتیجه‌گیری علّی

معناداری آزمون من‌ویتنی، ویلکاکسون یا کروسکال–والیس به تنهایی رابطه علت و معلولی را ثابت نمی‌کند.

خطای نوع اول و دوم در آزمون فرض

در آزمون فرض دو نوع خطای مهم مطرح است.

خطای نوع اول

وقتی فرض صفر درست است اما پژوهشگر آن را رد می‌کند، خطای نوع اول رخ داده است.

سطح معناداری α با احتمال کنترل‌شده خطای نوع اول در شرایط تعریف‌شده مرتبط است.

خطای نوع دوم

وقتی فرض صفر نادرست است اما پژوهشگر نمی‌تواند آن را رد کند، خطای نوع دوم رخ می‌دهد.

قدرت آزمون نیز به احتمال کشف یک اثر واقعی مرتبط است.

این مفاهیم در طراحی حجم نمونه، انتخاب روش و تفسیر نتایج اهمیت دارند.

آزمون فرض در SPSS چگونه انجام می‌شود؟

SPSS بسیاری از آزمون‌های ناپارامتری را در اختیار پژوهشگر قرار می‌دهد.

برای برخی آزمون‌ها می‌توان از مسیر:

Analyze → Nonparametric Tests

استفاده کرد.

بسته به نسخه SPSS و نوع تحلیل، گزینه‌هایی مانند آزمون‌های مستقل، زوجی، K-S، Mann–Whitney، Wilcoxon، Kruskal–Wallis و Friedman در دسترس هستند.

با این حال، نرم‌افزار نباید تصمیم‌گیرنده روش‌شناختی باشد. پژوهشگر باید ابتدا سؤال، نوع داده و طراحی را مشخص کند و سپس آزمون را در نرم‌افزار اجرا کند.

نمونه تفسیر آزمون من‌ویتنی

فرض کنید پژوهشگر می‌خواهد رضایت دو گروه مستقل را مقایسه کند و نتیجه زیر به دست آید:

U = 842, p = 0.018

اگر α = 0.05 باشد، نتیجه از نظر آماری معنادار است.

اما برای تفسیر علمی باید مشخص شود:

• حجم نمونه هر گروه چقدر است؟
• میانه یا توصیف مناسب هر گروه چیست؟
• رتبه‌های دو گروه چگونه‌اند؟
• اندازه اثر چقدر است؟
• آیا تفاوت از نظر عملی نیز مهم است؟

بنابراین متن علمی بهتر است فقط به «معنادار بودن» محدود نشود.

نمونه تفسیر آزمون کروسکال–والیس

فرض کنید برای مقایسه چهار گروه نتیجه زیر گزارش شده باشد:

H(3) = 12.84, p = 0.005

این نتیجه نشان می‌دهد شواهد آماری برای وجود تفاوت میان توزیع یا رتبه‌های گروه‌ها وجود دارد.

اما از این خروجی به تنهایی نمی‌توان مشخص کرد کدام جفت گروه با هم متفاوت‌اند.

برای پاسخ به این سؤال، باید مقایسه‌های پساآزمون مناسب انجام شود.

نمونه تفسیر آزمون ویلکاکسون

فرض کنید یک گروه قبل و بعد از آموزش سنجیده شده و نتیجه:

Z = -2.71, p = 0.007

باشد.

در صورت انتخاب سطح معناداری 0.05، شواهد آماری برای رد فرض صفر وجود دارد و می‌توان گفت در اندازه‌گیری‌های قبل و بعد، تفاوت آماری مشاهده شده است.

برای گزارش کامل، جهت تغییر و اندازه آن باید با استفاده از آمار توصیفی و اندازه اثر مناسب بررسی شود.

چگونه نتایج آزمون ناپارامتری را در پایان‌نامه گزارش کنیم؟

گزارش حرفه‌ای باید پاسخ چند سؤال را روشن کند:

چه چیزی مقایسه یا آزمون شد؟

کدام آزمون استفاده شد؟

آماره آزمون چقدر بود؟

p-value چه مقدار بود؟

نتیجه در سطح معناداری تعیین‌شده چیست؟

اندازه اثر یا اهمیت عملی چگونه است؟

برای نمونه:

نتایج آزمون من‌ویتنی نشان داد توزیع نمرات رضایت در دو گروه مورد مطالعه از نظر آماری تفاوت معناداری داشت (U = 842, p = 0.018). بررسی آمار توصیفی و رتبه‌های دو گروه نشان داد این تفاوت در جهت … بود.

در متن نهایی باید اطلاعات واقعی پژوهش جایگزین موارد نمونه شوند.

چه زمانی تحلیل ناپارامتری انتخاب مناسبی نیست؟

نباید آزمون‌های ناپارامتری صرفاً به عنوان «نسخه جایگزین» آزمون پارامتری انتخاب شوند.

اگر داده‌ها شرایط استفاده از یک روش پارامتری مناسب را داشته باشند، روش پارامتری می‌تواند اطلاعات و توان آماری مناسبی ارائه کند.

همچنین در برخی مسائل، استفاده از روش‌های مقاوم، مدل‌های تعمیم‌یافته یا روش‌های بازنمونه‌گیری می‌تواند گزینه مناسب‌تری از یک آزمون ناپارامتری کلاسیک باشد.

بنابراین انتخاب روش باید از هدف علمی و ساختار داده‌ها شروع شود.

چک‌لیست آزمون فرض در تحلیل‌های ناپارامتری

پیش از گزارش نتایج، موارد زیر را بررسی کنید:

• سؤال آماری دقیقاً مشخص شده است.
• فرض صفر و فرض مقابل تدوین شده‌اند.
• نوع داده و طراحی مطالعه مشخص است.
• استقلال یا وابستگی مشاهدات بررسی شده است.
• آزمون ناپارامتری مناسب انتخاب شده است.
• سطح معناداری پیش از آزمون تعیین شده است.
• p-value در کنار آماره آزمون تفسیر شده است.
• آمار توصیفی مناسب ارائه شده است.
• اندازه اثر در صورت امکان گزارش شده است.
• در مقایسه‌های متعدد، کنترل خطای چندگانه در نظر گرفته شده است.
• از نتیجه‌گیری علّی فراتر از طراحی پژوهش پرهیز شده است.

جمع‌بندی

آزمون فرض در تحلیل‌های ناپارامتری فرایندی است که به پژوهشگر اجازه می‌دهد بر اساس داده‌های نمونه، شواهد آماری درباره وجود تفاوت، تغییر یا رابطه را بررسی کند. آزمون‌هایی مانند من‌ویتنی، ویلکاکسون، کروسکال–والیس، فریدمن، آزمون علامت و اسپیرمن برای موقعیت‌های مختلف طراحی شده‌اند و انتخاب صحیح آن‌ها به نوع سؤال، ساختار داده و طراحی پژوهش بستگی دارد.

در اجرای آزمون ناپارامتری باید ابتدا فرض صفر و فرض مقابل مشخص شوند، سپس سطح معناداری تعیین شده و آزمون مناسب اجرا شود. پس از آن، p-value و آماره آزمون در کنار آمار توصیفی و در صورت امکان اندازه اثر تفسیر می‌شوند.

مهم‌ترین نکته این است که معناداری آماری با اهمیت عملی یکسان نیست. همچنین ناپارامتری بودن یک روش به معنای بدون پیش‌فرض بودن آن نیست.

یک گزارش علمی استاندارد تنها نمی‌گوید «نتیجه معنادار شد»؛ بلکه مشخص می‌کند چه آزمونی انجام شده، نتیجه چه بوده، اندازه اثر چقدر است و این یافته در چارچوب سؤال و طراحی پژوهش چه معنایی دارد.

سوالات متداول

آزمون فرض در روش‌های ناپارامتری چیست؟

آزمون فرض فرایندی برای ارزیابی شواهد موجود در داده‌های نمونه درباره یک فرض آماری است. در روش‌های ناپارامتری این فرایند با استفاده از آزمون‌هایی مانند من‌ویتنی، ویلکاکسون، کروسکال–والیس و فریدمن انجام می‌شود.

چه زمانی از آزمون ناپارامتری استفاده کنیم؟

زمانی که نوع داده، مقیاس اندازه‌گیری یا شرایط آماری پژوهش با روش‌های پارامتری سازگار نباشد، می‌توان آزمون ناپارامتری مناسب را بررسی کرد. صرفاً غیرنرمال بودن داده‌ها دلیل کافی برای انتخاب هر آزمون ناپارامتری نیست.

p-value در آزمون ناپارامتری چه معنایی دارد؟

p-value در چارچوب آزمون مشخص می‌کند داده‌های مشاهده‌شده تا چه حد با فرض صفر سازگار هستند. اگر p از سطح معناداری از پیش تعیین‌شده کوچک‌تر باشد، معمولاً فرض صفر رد می‌شود.

آیا p کمتر از 0.05 یعنی اثر زیاد است؟

خیر. p-value درباره شواهد آماری علیه فرض صفر اطلاعات می‌دهد، نه اندازه اثر یا اهمیت عملی. برای ارزیابی شدت اثر باید شاخص اندازه اثر و آمار توصیفی نیز بررسی شوند.

برای دو گروه مستقل از چه آزمون ناپارامتری استفاده می‌شود؟

آزمون من‌ویتنی U یکی از گزینه‌های رایج برای مقایسه دو گروه مستقل است، به شرط آنکه شرایط استفاده از آن با طراحی و داده‌های پژوهش سازگار باشد.

برای مقایسه بیش از دو گروه مستقل چه آزمونی مناسب است؟

آزمون کروسکال–والیس یکی از آزمون‌های رایج برای مقایسه بیش از دو گروه مستقل است. در صورت معناداری آزمون کلی، مقایسه‌های پساآزمون مناسب برای تعیین محل تفاوت لازم است.

تفاوت ویلکاکسون و من‌ویتنی چیست؟

من‌ویتنی برای مقایسه دو گروه مستقل به کار می‌رود، در حالی که ویلکاکسون برای دو اندازه‌گیری وابسته یا جفت‌شده کاربرد دارد.

آیا آزمون‌های ناپارامتری هم اندازه اثر دارند؟

بله. برای بسیاری از آزمون‌های ناپارامتری شاخص‌های مختلفی برای اندازه اثر وجود دارد. نوع شاخص باید متناسب با آزمون، طراحی مطالعه و روش گزارش انتخاب شود.