マン・ホイットニーのU検定

「ウィルコクソンの符号順位検定」とは異なります。

マン・ホイットニーのU検定（マン・ホイットニーのユーけんてい、英: Mann–Whitney U test）はノンパラメトリックな統計学的検定の一つであり、特に特定の母集団がもう一方よりも大きな値を持つ傾向にある時に、2つの母集団が同じであるとする帰無仮説に基づいて検定する。ウィルコクソンの順位和検定と呼ばれるのも実質的に同じ方法であり、まとめてマン・ホイットニー・ウィルコクソン検定とも呼ばれる。

マン・ホイットニーのU検定は、正規分布の混合といった非正規分布についてはt検定よりも有効性が高く、正規分布についてもt検定に近い有効性を示す。

解説

独立な2組の標本の有意差検定として用いられ、変数は順位としてとれば（つまり2つを比較してどちらが大きいかが分かっていれば）よい。二つの観察された分布の間の重なりの度合が偶然で期待されるよりも小さいかどうかを、「両標本が同じ母集団から抽出された」との帰無仮説に基づいて検定する方法である。

U（帰無仮説の下ではその分布が分かっている）と呼ばれる統計量を求める。標本サイズが小さい場合にはこの分布は数表になっているが、約20以上の場合には正規分布でよい近似ができる。Uでなく一方の標本について順位和を用いるような方法もあるが、特によい方法ではない。

統計パッケージにもたいてい入っているが、特に小標本の場合には手計算でもできる。方法には以下の二つがある：

• 小標本に対しては、直接計算する方法がよい。簡単にできて統計量Uの意味が理解しやすい。観察度数あるいは標本サイズが小さい方の標本を選んで、これを標本1、もう一方を標本2とする。標本1の各観察について、標本2の中でそれよりも小さい値が得られた観察の度数を数える。これらの度数をすべて総和したものがUである。
• 大標本に対しては、公式を用いる。すべての観察を並べて一つの順位系列とし、小さい方の標本の順位を総和する。すべての順位の和はN(N + 1)/2 （ここで N は全観察数）に等しいから、Uは次のように求められる：

${\displaystyle U_{1}=n_{1}n_{2}+{n_{1}(n_{1}+1) \over 2}-R_{1}}$

${\displaystyle U_{2}=n_{1}n_{2}+{n_{2}(n_{2}+1) \over 2}-R_{2}}$

この2つのUのうち、低い値の方を検定に用いる。

ここでn₁とn₂は2組の標本の大きさで、R₁ は標本1.

の順位の和である。

Uの最大値は2標本の大きさの積で、上記の方法で得られた値がこの最大値の半分より大きい場合は、それを最大値から引いた値を数表で見つけ出せばよい。

例

例えば、イソップが「カメがウサギに競走で勝った」というあの有名な実験結果に疑問を持っているとしよう。彼はあの結果が一般のカメ、一般のウサギにも拡張できるかどうか明らかにするために有意差検定を行うことにする。6匹のカメと6匹のウサギを標本として競走させた。動物たちがゴールに到達した順番は次の通りである（Tはカメ、Hはウサギを表す）：

T H H H H H T T T T T H （あの昔使ったカメはやはり速く、昔使ったウサギはやはりのろかった。でも他のカメとウサギは普通通りに動いた）Uの値はどうなるか？

直接的な方法では、各カメを順番にとり、それぞれが負かしたウサギの数を数えると、こうなる： 6, 1, 1, 1, 1, 1。したがって U = 6 + 1 + 1 + 1 + 1 + 1 = 11。

間接的な方法では： 各カメの順位の合計は1 + 7 + 8 + 9 + 10 + 11 = 46になる。

全動物の順位の合計は12×13÷2 = 78になる。

だからウサギの順位の合計 = 78 − 46 = 32。

したがって U = 6×6 + 6×7÷2 − 46 = 36 + 21 − 46 = 11。

表を使って次のことが分かる：「この結果からはカメの方が速いとはいえないし、かといってウサギの方が有意に速いともいえない」。

使用方法

標本サイズが大きい場合には正規分布による近似：

${\displaystyle z={\frac {U-m_{U}}{\sigma _{U}}}}$

が使える（ここでzは標準正規分布に従うかどうかを考え、その有意性は正規分布表で確認できる）。帰無仮説が正しいとすればmUとσUはUの平均および標準偏差であり、次の式で与えられる：

${\displaystyle m_{U}={\frac {n_{1}n_{2}}{2}}}$

${\displaystyle \sigma _{U}={\sqrt {\frac {n_{1}n_{2}(n_{1}+n_{2}+1)}{12}}}}$

U検定は独立な標本に対するスチューデントのt検定と同様の状況で用いられ、どちらを用いるのがよいかが問題になる。コンピュータが簡単に使えなかった頃は計算の手間がかからないことから一般にU検定が推奨された。現在でも順序データ（初めから順位として表現されているデータ）を用いる場合にはU検定が推奨される。また少数の外れ値のために偽の有意な結果が出ることは、t検定に比べるとはるかに少ない。

一方、U検定を2標本の分布が大きく異なる場合に用いるのは誤りである。U検定は2標本が共通の分布に基づくかどうかを検定するものであって、平均は同じだが分散は異なるような分布に基づく場合には偽の有意な結果が出ることもある（モンテカルロ法を用いて示されている）。

関連項目

• ウィルコクソンの符号順位検定

表 話 編 歴 統計学
標本調査	標本 母集団 無作為抽出 層化抽出法
要約統計量	連続確率分布 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 信頼区間 予測区間 モデル選択基準 AIC BIC WAIC MDL その他 偏り 偏りと分散 過剰適合 推定量 点推定 最尤推定 尤度関数 尤度方程式 最小距離推定 メタアナリシス ブートストラップ法
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	交絡 ピアソンの積率相関係数 順位相関（スピアマンの順位相関係数 ・ケンドールの順位相関係数 ）
モデル	一般線形モデル 一般化線形モデル 混合モデル 一般化線形混合モデル
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
統計図表	棒グラフ バイプロット（英語版） 箱ひげ図 管理図 フォレストプロット ヒストグラム 円グラフ Q-Qプロット ランチャート 散布図 幹葉表示 バイオリン図 ドットプロット ヒートマップ 階級区分図
生存分析	生存関数 カプラン＝マイヤー推定量 ログランク検定 故障率 比例ハザードモデル
歴史	統計学の創始者 確率論と統計学の歩み
応用	社会統計学 疫学 生物統計学 系統学 統計力学 計量経済学 機械学習 実験計画法
出版物	統計学に関する学術誌一覧 重要な出版物
全般	統計 頻度主義統計学 統計学および機械学習の評価指標
その他	方向統計学 S言語 R言語 統計検定 社会調査士 JDLA Deep Learning For GENERAL JDLA Deep Learning for ENGINEER 実用数学技能検定 品質管理検定
カテゴリ