SPSS 命令: SPSS NPAR TESTS /FRIEDMAN

在浏览器中做 Friedman 检验

Friedman 检验在每个个案内部对多个相关变量的取值排秩，判断是否有某些变量的秩始终较高。

用示例数据试一试用自己的文件运行

免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日

能告诉你什么

Crosstabs 运行与 SPSS NPAR TESTS /FRIEDMAN 对应的过程，给出经结校正的卡方、Kendall 协同系数 W、适用于“是/否”条目的 Cochran Q，以及 Bonferroni 校正的成对比较。

每个变量在个案内的秩平均值，用于对条件或条目排序。
各相关变量的分布是否存在差异（Friedman 卡方，自由度 = k − 1）。
各个案对排序的一致程度：Kendall W，从 0（无一致）到 1（排序完全相同）。
对于 0/1 条目，各条目的成功比例是否不同（Cochran Q），以及经 Bonferroni 调整后哪些配对存在差异。

适用场景

适合使用

同一批受访者用有序量表对三个及以上产品、概念或广告打分。
同一批个案在三个及以上时间点测量的偏态结果。
多位评委对同一组条目排序，需要量化他们的一致程度（Kendall W）。
同一批人回答的多个“是/否”条目，例如对三个品牌的知晓情况（Cochran Q）。

改用其他方法

由不同人组成的独立组：使用 Kruskal-Wallis 检验。
近似正态的重复测量，且还需要被试间因素或对比：使用重复测量方差分析。
评分者分配的是类别而非排序时的一致性：使用 Fleiss kappa。

在 Crosstabs 中如何操作

01
选择“K 个相关样本”
在“统计”模式中打开“非参数检验”→“K 个相关样本”（NPAR TESTS /FRIEDMAN）。
02
勾选相关变量
在“检验变量”中勾选存放重复测量的各列（“相关变量（两个或以上）”）。每一行必须代表一个个案。
03
选择检验
在“检验类型”中勾选“Friedman”“Kendall W”和/或“Cochran Q”。Cochran Q 要求所选变量合计恰好有两个取值。
04
保留成对比较并运行
有三个及以上变量时，保持勾选“成对比较（Bonferroni 调整）”以获得事后比较表，然后点击“运行检验”。任一所选变量缺失的个案会被成列排除。

在浏览器中运行 Friedman 检验

计算示例

以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。

用示例数据试一试

数据

14 名模拟品尝者分别对三种配方按 1–7 分打分。每位品尝者都有贯穿三次评分的个人宽严倾向，这正是 Friedman 检验所针对的被试内相关结构。

秩

项目	秩平均值
recipe_a	1.64
recipe_b	1.96
recipe_c	2.39

检验统计 — Friedman 检验与 Kendall W

项目	值
N	14
卡方	5.415
df	2
渐近显著性	.067
Kendall W	0.193

卡方已针对个案内的结进行校正。

成对比较 — Friedman 检验

样本 1-样本 2	检验统计	标准误	标准检验统计	显著性	调整后显著性
recipe_a-recipe_b	−0.321	0.378	−0.850	.395	1.000
recipe_a-recipe_c	−0.750	0.378	−1.984	.047	.142
recipe_b-recipe_c	−0.429	0.378	−1.134	.257	.771

显著性值已按 Bonferroni 校正调整。

结果解读

秩平均值从 recipe_a 的 1.64 上升到 recipe_c 的 2.39。Friedman 检验结果为 χ²(2) = 5.41，p = .067，即在 14 名品尝者的样本下差异未达到 .05 显著水平；Kendall W = 0.193，衡量品尝者对三种配方排序的一致程度（0 = 完全不一致，1 = 所有人排序相同）。

输出表格说明

秩: 每个变量在个案内的秩平均值；数值越高，说明该变量在同一个案中倾向于高于其他变量。
检验统计 — Friedman 检验: N、经个案内结校正的卡方、自由度 k − 1 以及渐近显著性。
检验统计 — Kendall W: Kendall 协同系数 W = χ² / (N(k − 1))，以及相同的卡方检验。
检验统计 — Cochran Q: N、Cochran Q、自由度与显著性；其前的“频率 — Cochran Q”表列出每个变量的成功数，遇到的第一个值计为成功。
成对比较: Friedman 为秩均值差，Cochran Q 为比例差值；均附标准误、标准化检验统计量、未调整和 Bonferroni 调整后的显著性。

前提假设与注意事项

个案（行）之间相互独立；同一行内的变量是同一个案的相关测量。
每个个案内的取值能够排秩，因此各变量必须处于可比的尺度上。
显著性为渐近值（卡方分布）；个案或变量很少时，对临界结果需谨慎。

结果如何验证

相关样本引擎以参考值由独立的参考实现使用 SciPy 1.18.1、statsmodels 0.15.0、pingouin 0.7.0 与 scikit-posthocs 0.17.1 生成：Friedman 卡方、p 值与 Kendall W 对照 scipy.stats.friedmanchisquare，Friedman 成对比较对照 scikit-posthocs（Siegel-Castellan 方法），Cochran Q 对照 statsmodels 的 cochrans_q，其成对比较也一并核对。所有结果误差均在 1e-9 以内（相对于 1 与参考值中较大者）。验证证据（英文）

常见问题

我的数据是长格式（每次测量一行），还能做 Friedman 检验吗？

本面板要求宽格式：每个个案一行、每种条件一列。请先重构数据，使每种条件成为单独的变量。

Kendall W 可以作为 Friedman 检验的效应量吗？

可以。W 把 Friedman 卡方缩放到 0–1，因此常作为效应量报告；约 .1 为小，.3 为中等，.5 及以上为较强的一致性。

只有两个相关变量时能运行吗？

面板接受两个及以上变量，但只有两个时，Wilcoxon 符号秩检验利用了差值大小，检验效能更高。成对比较只在三个及以上变量时显示。

Cochran Q 中哪个值计为成功？

与 SPSS 相同，取数据中遇到的第一个值。频率表的脚注会注明该值，阅读比例前请先确认。

缺失值如何处理？

成列删除：在任一所选变量上为空白或用户缺失值的个案会被排除，脚注会报告排除的个案数。

用你自己的数据运行 Friedman 检验

打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。

打开分析工作区

SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。