ウィルコクソンの符号順位検定

ウィルコクソンの符号順位検定（ふごうじゅんいけんてい、英: Wilcoxon signed-rank test）は一対の標本によるノンパラメトリック検定法である。対応のあるt検定に対応し、対応のあるt検定で必要とされる仮定が満たされない場合に用いる。ウィルコクソン（Frank Wilcoxon、1892-1965）によって「ウィルコクソンの順位和検定」（マン・ホイットニーのU検定に同じ）とともに開発された。

方法

全2n 回の観察で、n 個の対象に対し各2回の観察を行うとする。iで各対象を表し、iに対する1回目の測定値を $x_{i}$ 、2回目の測定値を $y_{i}$ とする。

次のように仮定する。

$i=1,\ldots ,n$ に対し $Z_{i}=Y_{i}-X_{i}$ とする。各差 $Z_{i}$ は互いに独立とする。
各 $Z_{i}$ は連続的母集団（同じでなくてよい）に由来し、共通の中央値 $\theta$ に関して対称とする。

帰無仮説 $H_{0}$ を $\theta =0$ とする。絶対値 $|Z_{1}|,\ldots ,|Z_{n}|$ を順番に並べ、各 $|Z_{i}|$ の順位を $R_{i}$ として、これからウィルコクソンの符号順位統計量 $W^{+}$ を計算する。 $\phi _{i}=I(Z_{i}>0)$ （ただし $I(.)$ は指示関数、すなわち $Z_{i}>0$ のとき $I(Z_{i})=1$ 、 $Z_{i}=<0$ のとき $I(Z_{i})=0$ ）とする。ウィルコクソンの符号順位統計量 $W^{+}$ を

W^{+}=\sum _{i=1}^{n}\phi _{i}R_{i}

により求める。

前後2回データを収集した場合の点数（中心点が0と期待される）の差を検定するのによく用いられる。中心点と完全に一致する点数は除外し、残りの点数の中心点からの偏差の絶対値を順位化し、最小の偏差が順位1となるようにする。タイ（同順位）点数には平均順位を充てる。中心点からの正・負の両偏差ごとに順位の和を計算する。両順位和の小さい方をSとする。そしてSを順位分布の数表と比較してp値（中心点の周りに対称に分布する点数母集団から、その値以上のS値が得られる確率）を求める。

nが多くなるとSの分布は平均 ${\dfrac {n(n+1)}{4}}$ 、分散 ${\dfrac {n(n+1)(2n+1)}{24}}$ の正規分布に近づく^[1]ので、10より大きいnに対してはp値を求めるのに正規分布を用いることが多い。

出典

[脚注の使い方]

^ “有意に無意味な話: ウィルコクソンの符号順位統計量の平均・分散”. 2017年11月6日閲覧。

位置	平均算術幾何調和中央値分位数順序統計量最頻値階級値
分散	範囲偏差偏差値標準偏差標準誤差変動係数決定係数相関係数自己相関共分散自己共分散分散共分散行列百分率統計的ばらつき
モーメント	分散歪度尖度

カテゴリデータ

頻度
分割表

推計統計学

仮説検定

パラメトリック	t検定ウェルチのt検定 F検定 Z検定二項検定ジャック-ベラ検定シャピロ–ウィルク検定分散分析共分散分析
ノンパラメトリック	ウィルコクソンの符号順位検定マン・ホイットニーのU検定カイ二乗検定イェイツのカイ二乗検定累積カイ二乗検定フィッシャーの正確確率検定尤度比検定 G検定アンダーソン–ダーリング検定コルモゴロフ–スミルノフ検定カイパー検定マンテル検定コクラン・マンテル・ヘンツェルの統計量
その他	帰無仮説対立仮説有意棄却

区間推定

モデル選択基準

その他

ベイズ統計学

確率	主観確率ベイズ確率事前確率事後確率最大事後確率
その他	ベイズ推定ベイズ因子

相関

モデル

回帰

線形	リッジ回帰ラッソ回帰エラスティックネット
非線形	k近傍法決定木ランダムフォレストニューラルネットワークサポートベクターマシン射影追跡回帰
時系列	自己回帰モデル自己回帰移動平均モデル ARCHモデル対移動平均比率法トレンド定常傾向推定共和分構造変化

分類

線形	線形判別分析ロジスティック回帰 <! -- 名前に回帰とついていますが確率を回帰する分類手法です --> 単純ベイズ分類器単純パーセプトロン線形サポートベクターマシン
二次	二次判別分析
非線形	k近傍法決定木ランダムフォレストニューラルネットワークサポートベクターマシンベイジアンネットワーク隠れマルコフモデル
その他	二項分類多クラス分類第一種過誤と第二種過誤

教師なし学習

クラスタリング	k平均法（k-means++法） DBSCAN
密度推定（英語版）	カーネル密度推定（カーネル）
その他	主成分分析独立成分分析自己組織化写像