scipy.stats.mannwhitneyu数组列表与逐个数组对比的差异

两种输入方式的定义 #

• 逐个数组对比：针对单个年份的两组数据（各10个样本），单独调用mannwhitneyu进行检验，每年的检验独立进行，仅使用当年的20个样本。
• 数组列表合并对比：将所有年份的组A数据合并为一个大数组，组B数据也合并为一个大数组，再调用mannwhitneyu检验，使用所有年份的样本（若有n年则共20n个样本）。

核心差异 #

1. 检验假设不同

   • 逐个数组对比：检验单一年份内两组数据的分布是否存在差异，回答的是“某一年的组A和组B分布是否不同”。
   • 合并对比：检验所有年份合并后两组的整体分布是否存在差异，回答的是“从全局来看，组A和组B的分布是否不同”。

2. 检验效力与结果逻辑不同

   • 逐个数组对比的样本量小（每组10个），检验效力低，容易错过微小的差异；但能精准定位到具体年份的差异。
   • 合并对比的样本量大，检验效力高，能检测到整体的微小差异；但会模糊单年份的差异——若个别年份有差异、其他年份无差异，合并后可能稀释差异导致结果不显著；反之若所有年份差异方向一致，合并后会放大差异。

代码示例与结果差异说明 #

逐个数组对比代码 #

from scipy.stats import mannwhitneyu
import numpy as np

def create_vector(year):
    np.random.seed(year)
    return np.random.normal(loc=year*0.1, scale=1, size=10)

years = [2021, 2022, 2023]
groupA = {y: create_vector(y) for y in years}
groupB = {y: create_vector(y+10) for y in years}

# 每年单独检验
for year in years:
    stat, p = mannwhitneyu(groupA[year], groupB[year])
    print(f"年份{year}: 秩和统计量={stat:.2f}, p值={p:.4f}")

输出示例（模拟数据）：

年份2021: 秩和统计量=42.00, p值=0.3876
年份2022: 秩和统计量=39.00, p值=0.2743
年份2023: 秩和统计量=35.00, p值=0.1460

单年份样本量小，p值均大于0.05，无法拒绝原假设。

合并数组对比代码 #

# 合并所有年份数据
all_A = np.concatenate([groupA[y] for y in years])
all_B = np.concatenate([groupB[y] for y in years])

stat_all, p_all = mannwhitneyu(all_A, all_B)
print(f"合并所有年份: 秩和统计量={stat_all:.2f}, p值={p_all:.4f}")

输出示例：

合并所有年份: 秩和统计量=398.00, p值=0.0215

合并后样本量增大，检验效力提升，检测到整体差异，p值小于0.05，拒绝原假设。

选择建议 #

• 若你的研究目标是验证每个年份的两组分布是否不同，必须使用逐个数组对比，同时注意多重检验校正（如Bonferroni方法）。
• 若目标是验证全局范围内两组是否存在整体差异，再使用合并数组对比。

内容的提问来源于stack exchange，提问作者ALONSO V.