Mood 中位数检验数据注意事项

为确保结果有效，在收集数据、执行分析和解释结果时，请考虑以下准则。

数据应当仅包括一个作为固定因子的类别变量

• 如果您具有两个或更多固定类别因子，则在具有所有固定因子时使用拟合一般线性模型，或在具有随机因子时使用拟合混合效应模型。
• 如果您标绘一个连续（数值）预测变量和一个连续响应之间的关系，请使用拟合线图。

有关因子的更多信息，请转到因子和因子水平以及固定和随机因子。

响应变量应当是连续变量

如果响应变量是类别变量，则您的模型不太可能满足分析假定、准确描述数据或者进行有用的预测。

• 如果您的响应变量有两个类别（如通过和失败），请使用拟合二元 Logistic 模型。
• 如果您的响应变量包含三个或更多采用一定自然顺序的类别（如非常不同意、不同意、中立、同意和非常同意），请使用顺序 Logistic 回归。
• 如果您的响应变量包含三个或更多不采用自然顺序的类别（如擦痕、凹陷和撕裂），请使用名义 Logistic 回归。
• 如果您的响应变量对发生次数（如缺陷数）进行计数，请使用拟合 Poisson 模型。

样本数据不必为正态分布

各个组的分布应当具有相同的分布形状和散布，而且包括异常值。

• 如果组的分布不包括异常值，请使用Kruskal-Wallis 检验，因为它的功效更大。
• 如果组的分布服从正态分布，请考虑使用单因子方差分析，因为它的功效更大。

样本数量应当小于观测值个数（15 或 20），或者过程最好用中位数表示

非参数检验的功效往往小于参数检验的功效。而且，当样本数量足够大时，参数检验非常适合于非正态数据。除非样本数量非常小或者中位数对于您的研究更有意义，否则，即使对于非正态数据也请考虑使用参数检验。

如果您的数据满足下面的样本数量准则，请考虑使用单因子方差分析，因为它对于偏斜的非正态分布非常有效，而且其功效更大。

• 数据包含 2 到 9 个组，每个组的样本数量至少为 15。
• 数据包含 10 到 12 个组，每个组的样本数量至少为 20。

每个观测值都应当独立于所有其他观测值

如果您的观测值是相关的，则结果可能无效。请考虑以下几点来确定观测值是否为独立值：

• 如果一个观测值不提供有关另一个观测值的信息，则说明这两个观测值是独立的。
• 如果一个观测值提供有关另一个观测值的信息，则说明这两个观测值是相关的。

如果具有相关观测值，请转到分析重复的度量设计。有关样本的更多信息，请转到非独立样本和独立样本有何不同。

使用最佳做法收集数据

要确保结果有效，请考虑以下准则：

• 确保数据代表您感兴趣的总体。
• 收集足够多的数据以提供必要的精确度。
• 尽可能准确和精确地测量变量。
• 以数据的收集顺序记录数据。