非参数统计检验方法的应用
非参数统计的方法与应用
非参数统计的方法与应用非参数统计是指一类不依赖于任何参数假设的统计方法，特别是不依赖于任何分布假设的统计方法。
相较于参数统计，非参数统计具有更广泛的适用范围和更强的鲁棒性，适用于数据形式和规模不确定的情况。
本文将介绍非参数统计的方法和应用，希望读者可以对此有更深刻的认识。
一、非参数统计的基础非参数统计的基础是经验分布函数、核密度估计和分位数等概念。
经验分布函数是指样本分布函数，它给出了样本观测值小于等于某个值的概率。
核密度估计是将样本的实际观测值拟合为一个概率密度函数，通过选择核函数和带宽大小来控制拟合的平滑程度。
分位数是一种描述样本分布位置的指标，例如中位数、分位数和分位点。
在实际应用中，非参数统计方法可以用于拟合和检验数据的分布、比较两个或多个数据集之间的差异，以及探究变量之间的关系等。
因为它不需要假设特定的分布结构，因此可以在数据形式、规模和质量方面具有更大的灵活性。
二、非参数统计方法的分类根据数据类型和假设类型，非参数统计方法可以划分为不同的类型。
常用的非参数统计方法主要包括：1. 秩和检验：适用于从两个或多个独立样本中检验两个或多个总体的中位数是否相等。
2. Wilcoxon符号秩检验：适用于从两个独立样本中检验两个总体的中位数是否相等。
3. Kruskal-Wallis单因素方差分析：适用于从两个或多个独立样本中比较几个相互独立的总体的中位数是否相等。
4. Mann-Whitney U检验：适用于从两个独立样本中检验两个总体的分布是否相等。
这是一个非参数的等价于t检验的方法。
5. Kolmogorov-Smirnov检验：适用于从两个或多个样本中检验两个总体的分布是否相等。
6. Anderson-Darling检验：适用于从一个样本中检验给定某一个分布类型的数据是否符合该分布。
例如，我们可以使用这个检验来检验数据是否服从正态分布。
7. 卡方检验：适用于检验两个或多个与分类变量相关的样本间比例差异是否存在显著差异。
非参数统计方法在生物统计中的应用
非参数统计方法在生物统计中的应用在生物统计领域，统计方法是进行数据分析和推断的重要工具。
其中，非参数统计方法是一种不需对总体分布函数做出假设的方法，因此应用较为广泛。
本文将探讨非参数统计方法在生物统计中的应用，并从实际研究案例中展示其强大的功能。
一、基本概念非参数统计方法是一类不依赖于总体分布假设的统计方法，主要适用于数据不服从常见分布或样本容量较小的情况。
与参数统计方法相比，非参数方法没有要求对数据进行特定的变换或假设分布的拟合，因此更具灵活性和应用性。
二、生物统计中的应用1. 非参数假设检验非参数假设检验是非参数统计方法的核心应用之一。
在生物统计研究中，常见的假设检验问题包括两样本比较、多样本比较和相关性分析等。
非参数假设检验方法如Wilcoxon秩和检验、Kruskal-Wallis检验和Spearman等级相关性检验可以在数据分布未知、非正态或存在异常值的情况下进行有效的统计推断。
例如，一个研究人员想要比较两组动物的体重变化是否存在显著差异。
对于两组样本中每个动物的体重进行秩和检验，就可以得到结果是否存在显著差异，而不需要对体重数据的分布进行假设。
2. 非参数回归分析非参数回归分析是一种用于建立和评估自变量与因变量之间关系的方法，适用于没有线性假设或非线性关系的数据。
它可以更好地适应复杂的数据关系，并避免过拟合或欠拟合的问题。
例如，一个研究人员想要探究温度对植物生长的影响，但不确定其关系是线性还是非线性的。
使用非参数回归分析方法，可以拟合出温度和植物生长之间的关系曲线，并通过检验其显著性来评估影响。
3. 生存分析生存分析是用于研究事件发生时间或生存时间的统计方法。
在生物统计研究中，生存分析常用于研究患者生存时间、药效持续时间等重要问题。
非参数生存分析方法如Kaplan-Meier曲线和Log-Rank检验是生存分析中常用的工具，可用于估计生存曲线并比较不同组别之间的生存差异。
三、案例分析为了更好地展示非参数统计方法在生物统计中的应用，我们以一项针对药物疗效的研究为例进行案例分析。
非参数统计中的秩和检验方法详解(Ⅱ)
非参数统计是一种不依赖总体分布形态的统计方法，它不涉及总体参数的估计，而是基于数据本身的秩次进行推断。
秩和检验是非参数统计中一种常用的假设检验方法，本文将详细介绍秩和检验的原理、应用和相关注意事项。
一、秩和检验的原理秩和检验是一种基于数据的秩次进行推断的假设检验方法。
它的基本原理是将样本数据进行排序，然后利用秩次的差异来进行假设检验。
秩和检验常用于两组样本的均值比较、相关性分析以及非参数方差分析等问题。
二、秩和检验的应用1. 两组样本均值比较秩和检验常用于比较两组样本的均值是否有显著差异。
当两组样本不满足正态分布的假设，且总体方差未知时，秩和检验是一种有效的假设检验方法。
通过对两组样本的数据进行秩次排序，可以得到秩和统计量，然后利用秩和统计量进行假设检验。
2. 相关性分析在非参数相关性分析中，秩和检验也是一种常用的方法。
通过将两组变量的数据进行秩次排序，可以计算秩和相关系数，从而判断两组变量之间是否存在显著的相关性。
秩和检验在样本数据不满足正态分布假设、或者存在异常值时，仍然能够有效地进行相关性分析。
3. 非参数方差分析秩和检验还常用于非参数方差分析。
在样本数据不满足方差齐性和正态分布假设时，传统的方差分析方法不再适用。
此时可以利用秩和检验对样本数据进行分析，得出不同组之间是否存在显著的差异。
三、秩和检验的注意事项在使用秩和检验时，需要注意以下几点：1. 样本数据需要满足独立同分布的假设，否则秩和检验的结果可能不可靠。
2. 样本数据的大小对秩和检验的结果有一定影响，通常情况下样本数据越大，秩和检验的效果越好。
3. 对于重复测量数据，需要使用特定的秩和检验方法，以避免数据重复性对检验结果的影响。
4. 在进行秩和检验时，需要对样本数据进行排序，并计算秩和统计量。
这一过程需要较多的计算工作，因此需要注意计算的准确性。
四、总结秩和检验是非参数统计中的一种重要方法，它不依赖于总体分布形态，适用于各种类型的数据分析。
非参数统计方法及其应用领域
非参数统计方法及其应用领域统计学是一门研究收集、整理、分析和解释数据的学科。
在统计学中，参数统计方法和非参数统计方法是两种常用的分析工具。
本文将重点介绍非参数统计方法及其应用领域。
一、非参数统计方法的概念非参数统计方法是指在进行统计推断时，不对总体的概率分布做出任何假设的方法。
与参数统计方法相比，非参数统计方法更加灵活，适用于数据分布未知或非正态分布的情况。
非参数统计方法不依赖于总体的参数，而是基于样本的秩次或分布来进行推断。
二、非参数统计方法的基本原理非参数统计方法的基本原理是通过对数据的秩次或分布进行分析，从而得出总体的统计推断。
常用的非参数统计方法包括秩和检验、秩次相关分析、K-S检验等。
这些方法不依赖于总体的参数，而是根据样本数据的排序或分布情况进行分析。
三、非参数统计方法的应用领域1. 生态学研究生态学研究中常常需要对生物群落的多样性进行评估。
非参数统计方法可以用来比较不同生物群落的物种多样性，例如使用Shannon指数和Simpson指数等进行比较分析。
非参数统计方法还可以用来研究生物群落的相似性和差异性，通过计算样本的秩次或分布来进行推断。
2. 医学研究医学研究中常常需要比较不同治疗方法的疗效。
非参数统计方法可以用来比较两个治疗组之间的差异，例如使用Wilcoxon秩和检验或Mann-Whitney U检验等。
非参数统计方法还可以用来研究药物的剂量反应关系，通过计算样本的秩次或分布来进行推断。
3. 金融风险管理金融风险管理中需要对资产收益率的分布进行建模和分析。
非参数统计方法可以用来拟合资产收益率的分布，例如使用核密度估计方法或分位数回归方法等。
非参数统计方法还可以用来研究资产收益率的尾部风险，通过计算样本的秩次或分布来进行推断。
4. 社会科学研究社会科学研究中常常需要对调查数据进行分析。
非参数统计方法可以用来比较不同群体之间的差异，例如使用Kruskal-Wallis检验或Friedman检验等。
非参数统计方法在生物统计中的应用
非参数统计方法在生物统计中的应用在生物领域的研究中，数据的分析和解释是揭示生命现象、探索生物规律的关键环节。
传统的参数统计方法常常基于一些严格的假设，如数据的正态分布、方差齐性等。
然而，在实际的生物研究中，这些假设并不总是能够满足。
这时，非参数统计方法就展现出了其独特的优势和广泛的应用价值。
非参数统计方法是一类不依赖于总体分布具体形式的统计方法。
与参数统计方法相比，它对数据的分布形态没有严格的要求，具有更强的稳健性和适用性。
在生物统计中，常见的非参数统计方法包括秩和检验、符号检验、Wilcoxon 符号秩检验、KruskalWallis 检验等。
秩和检验是一种常用的非参数检验方法。
在生物实验中，当需要比较两组独立样本的差异时，如果数据不满足正态分布或方差不齐，秩和检验就是一个很好的选择。
例如，在研究某种药物对肿瘤大小的影响时，测量得到的肿瘤体积数据可能不符合正态分布。
此时，通过将两组数据混合并排序，计算秩和，进而进行统计推断，可以有效地判断药物是否具有显著的疗效。
符号检验则适用于比较两组配对样本的差异。
例如，在研究某种治疗方法对患者症状改善的效果时，可以在治疗前后分别对患者的症状进行评估，然后通过符号检验来判断治疗前后的差异是否显著。
这种方法简单直观，对于小样本数据也能给出可靠的结论。
Wilcoxon 符号秩检验是对符号检验的改进，它不仅考虑了差值的符号，还考虑了差值的大小。
在一些情况下，能提供更精确的统计推断。
比如，在研究某种营养补充剂对运动员体能恢复的影响时，通过测量运动员在补充剂使用前后的体能指标，使用 Wilcoxon 符号秩检验可以更全面地评估补充剂的效果。
KruskalWallis 检验常用于比较多个独立样本的差异。
在生物研究中，常常需要同时比较不同处理组或不同物种之间的某个指标。
比如，在研究不同土壤类型对植物生长的影响时，测量不同土壤中植物的株高、生物量等指标，然后使用 KruskalWallis 检验来判断土壤类型是否对植物生长有显著影响。
非参数统计方法
非参数统计方法非参数统计方法是一种统计学中常用的方法，它不依赖于对总体分布的特定假设，而是基于数据自身的性质进行分析。
与参数统计方法相比，非参数统计方法更加灵活，适用范围更广。
本文将介绍非参数统计方法的基本概念、应用领域以及与参数统计方法的比较。
一、基本概念非参数统计方法是一种基于观测数据的统计分析方法，它不对总体的概率分布做出具体的假设。
它的基本思想是从样本数据本身获取统计信息，并利用这些统计信息进行总体参数的推断。
与参数统计方法相比，非参数统计方法更加自由，可以适应更广泛的情景。
二、应用领域非参数统计方法在各个领域中都有广泛的应用。
下面介绍一些常见的应用领域。
1. 生态学研究：非参数统计方法可以用于对生物种群的数量、分布和相互关系进行分析。
例如，可以利用非参数统计方法评估不同环境因素对生物多样性的影响。
2. 医学研究：非参数统计方法在医学研究中也起到了重要的作用。
例如，在临床试验中，可以使用非参数方法对不同治疗方案的效果进行比较。
3. 金融分析：非参数统计方法也常被用于金融行业中。
例如，可以利用非参数方法对股票价格的波动性进行建模，进而进行风险管理和投资决策。
4. 社会科学研究：非参数统计方法也广泛应用于社会科学领域。
例如，在问卷调查中，可以使用非参数方法进行数据的分析和解释。
三、与参数统计方法的比较非参数统计方法相对于参数统计方法有一些优点。
1. 不依赖于分布假设：非参数统计方法不需要事先对总体分布做出特定的假设，更加灵活适用于各种分布类型。
2. 更广泛的适用性：非参数统计方法可以适用于各种数据类型和样本量。
而参数统计方法对数据类型和样本量有一定的要求。
4. 不受异常值的影响：非参数统计方法对异常值不敏感，即使存在异常值，也不会对结果造成较大的影响。
然而，非参数统计方法也存在一些限制。
1. 需要较大的样本量：非参数统计方法通常需要较大的样本量才能获得准确的结果。
2. 计算复杂度高：非参数统计方法的计算复杂度较高，在处理大规模数据时可能会面临一些挑战。
非参数统计方法在经济学中的应用
非参数统计方法在经济学中的应用在经济学领域，统计方法是一种非常重要的工具，它可以帮助经济学家分析数据、做出决策，并对经济现象进行解释。
而非参数统计方法作为一种灵活、适用范围广泛的统计工具，在经济学中也有着重要的应用。
本文将探讨非参数统计方法在经济学中的应用，包括其基本概念、优势以及具体的应用案例。
### 1. 非参数统计方法的基本概念非参数统计方法是相对于参数统计方法而言的，它不对总体的分布形式作出任何假设，而是直接利用样本数据进行统计推断。
在经济学中，由于研究对象的复杂性和多样性，往往很难对总体分布形式进行准确的假设，因此非参数统计方法具有很大的优势。
非参数统计方法主要包括秩和检验、核密度估计、Bootstrap法等。
其中，秩和检验是一种基于数据排序的方法，通过比较样本数据的秩次来进行假设检验；核密度估计是一种通过核函数对数据分布进行估计的方法，可以用来估计未知总体的概率密度函数；Bootstrap法是一种通过重复抽样来估计总体参数的方法，可以有效应对样本量小的情况。
### 2. 非参数统计方法的优势在经济学研究中，非参数统计方法具有以下几点优势：#### 2.1 不依赖总体分布假设非参数统计方法不需要对总体的分布形式作出假设，可以更加灵活地适应各种数据类型和分布形式，特别适用于经济学中数据多样性和复杂性的情况。
#### 2.2 适用范围广泛非参数统计方法适用于各种类型的数据，包括连续型数据、离散型数据以及顺序型数据，可以应用于不同的经济学研究领域，如市场分析、消费行为研究等。
#### 2.3 具有较强的鲁棒性非参数统计方法对异常值和数据分布的偏斜性具有较强的鲁棒性，能够有效减少这些因素对统计推断的影响，提高分析结果的稳定性和可靠性。
### 3. 非参数统计方法在经济学中的应用案例#### 3.1 核密度估计在收入分布研究中的应用核密度估计是一种常用的非参数统计方法，可以用来估计未知总体的概率密度函数。
非参数统计在医学临床试验中的应用(八)
非参数统计在医学临床试验中的应用在医学临床试验中，统计学是一项非常重要的工具。
而非参数统计方法则是一种在医学临床试验中经常使用的技术。
本文将介绍非参数统计在医学临床试验中的应用，包括其原理、方法和优势。
一、非参数统计的原理非参数统计是一种基于数据的排序和分布情况进行推断的统计方法。
它不依赖于总体分布的形式，因此在实际应用中具有很大的灵活性和适用性。
在医学临床试验中，由于实验数据的分布往往不满足正态分布假设，非参数统计方法成为了一种非常重要的工具。
二、非参数统计方法在医学临床试验中，非参数统计方法可以用于比较疗效、评估治疗效果、探讨不同治疗方案的优劣等方面。
常用的非参数统计方法包括秩和检验、秩和相关系数检验、秩和相关系数检验等。
这些方法在实际应用中具有较强的鲁棒性和效果。
三、非参数统计在医学临床试验中的应用非参数统计方法在医学临床试验中得到了广泛的应用。
在比较疗效方面，非参数统计方法可以有效地处理不满足正态分布假设的数据，比如在评估药物的疗效、检测不同手术方法的效果等方面。
在评估治疗效果方面，非参数统计方法可以帮助研究人员更准确地评估不同治疗方案的效果，比如对于不同药物组合的效果、不同剂量的药物的效果等方面。
在探讨不同治疗方案的优劣方面，非参数统计方法可以帮助研究人员更客观地评估不同治疗方案的优劣，比如在评估不同手术方式的效果、不同手术时间的效果等方面。
四、非参数统计的优势非参数统计方法在医学临床试验中具有较强的优势。
首先，非参数统计方法不依赖于总体分布的形式，因此对数据的分布要求较低，适用性较广。
其次，非参数统计方法在小样本情况下表现较好，对于一些样本较小或不满足正态分布假设的数据具有更好的效果。
此外，非参数统计方法还具有较强的鲁棒性，对异常值和离群值的影响较小。
综上所述，非参数统计在医学临床试验中具有重要的应用价值。
它的原理灵活，方法多样，优势突出，可以有效地帮助医学研究人员进行数据分析和推断，为医学临床试验的设计和分析提供了重要的工具。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
论文投稿领域：数理经济与计量经济学非参数统计检验方法的应用阮曙芬1 程娇翼 1 张振中2（1.中国地质大学数理学院，武汉 430074；2.中南大学数学科学与计算学院，长沙 410075）摘要：本文对非参数统计中常用的三种假设检验方法进行了简单的介绍。
运用Kruskal-Wallis 检验方法对2002年前三季度的上海股市综合指数收益率数据进行了周末效应的检验，结果表明2002年上海股市综合指数收益率不具有周末效应。
关键字：符号检验；Wilcoxon 秩和检验；Kruskal-Wallis 检验1引言非参数统计是统计分析的重要组成部分。
非参数假设检验是在总体分布未知或者总体分布不满足参数统计对总体所做的假定的时候，分析样本特点，寻找相应的非参数检验统计量。
本文就是以此为出发点，介绍了非参数统计中假设检验常用的几个检验方法：符号检验、Wilcoxon 秩和检验和Kruskal-Wallis 检验，然后结合具体的问题和数据，在统计软件SAS 中作相应的非参数检验。
2非参数假设检验介绍2.1 配对样本的符号检验符号检验是根据正、负符号进行假设检验的方法。
这种检验方法用于配对设计数值变量资料的假设检验，常常是差值不服从正态分布或者总体分布未知的情况下不能用t 检验的时候使用。
其原理是对差值进行编制并冠以符号，然后对正负秩和进行比较检验。
设随机变量12,,...,n X X X 相互独立同分布，分布为()F x ，()F x 在0x =连续。
假设检验问题2.2 两独立样本的Wilcoxon 秩和检验Wilcoxon 秩和检验的理论背景如下：有两个总体，一个总体的样本为12,,...,n X X X ，相互独立同分布，分布为()F x ；另一个样本为12,,...,n Y Y Y ，相互独立同分布，分布为()G x ，()F x ，()G x 连续。
问随机变量Y 是否随机大于随机变量X ，即检验0H ：()()F x G x ≡，1H ：()()F x G x ≥，且有某些点不等号成立。
将12,,...,n X X X ，12,,...,n Y Y Y 共m n +个随机变量一起排序，产生对应的秩11(,...,;,...,)m n R Q Q R R =。
则Wilcoxon 秩和检验统计量为：1ni i W R ==∑即12,,...,n Y Y Y 在混合样本中的秩的和为Wilcoxon 秩和检验统计量。
2.3多样本的Kruskal-Wallis 检验Kruskal-Wallis 检验一般对多个总体的分布情况进行检验。
其理论基础为：假设有m 种处理，对于第j 个检验体实行第i 种处理产生的效果记为ij x ，其分布函数为()i F x 。
即0H ：12()()...()n F x F x F x ===；1H ：存在i 和'i ，'()()i i F x F x ≠。
设观测值为{,1,2,...,;1,2,...,}ij x i m j n ==。
全体样本数为N ，ij x 的顺位记为ij r。
假定检验方法为：00,N N k k H k k H >→≤→拒绝不拒绝。
k 近似服从自由度为1m -的2χ分布。
因此2(1)m αχ-，2(1)N k m αχ=-为自由度为1m -的2χ分布的右侧的α分位数点。
3 Kruskal-Wallis 检验的应用股市的周末效应是指周一的收益率比其他交易日收益率低，且风险较大；周五的收益率比其他交易日高，且相对风险较小。
下面分别对2002年的前三季度的上证综合指数进行周末效应的分析。
本实证分析中，样本为2002年1月4日到2002年9月27日的上海股市综合指数（数据来源于/stock/company/sh000001/20031012.html ）。
指数收益率的计算公3.1收益率分布状况的分析首先计算收益率序列的方差，均值，偏度和峰度初步判断该序列是否服从正态分布。
然后利用Kolmogorov-Smirnov 等检验结果对收益率进行正态性检验。
[SAS 程序]创建数据集：将excel 数据导入SAS 中，然后在分析家中利用数据计算得到: r0=p/lag1(p)和r=log(r0);data sasuser.chx1 sasuser.chx2 sasuser.chx3 sasuser.chx4 sasuser.chx5; set sasuser.ch01; select (w);when(1) output sasuser.chx1;when(2) output sasuser.chx2;when(3) output sasuser.chx3;when(4) output sasuser.chx4;when(5) output sasuser.chx5;end;run;proc univariate data=sasuser.ch01;var r;run;[SAS结果输出]见表1汇总偏度和峰度分别为0和3，所以我们可以初步断定指数收益率序列为非正态分布。
为了进一步图1 上证综合指数收益率分布的直方图图2 上证综合指数收益率分布的概率图包括Kolmogorov-Smirnov检验统计量在内的四种检验正态分布的检验统计量均表明上海综合指数收益率序列不服从正态分布，图1和图2也说明了这一点。
所以要采用非参数方法进行以后的周末效应的检验。
3.2周末效应存在性的Kruskal-Wallis检验我们利用Kruskal-Wallis检验2002年前三季度上证综合指数收益率的周末效应的存在性。
[SAS程序]proc npar1way wilcoxon data=sasuser.ch01;class w;var r;run;[SAS结果输出]-------------------------------------------------------------------------T he NPAR1WAY ProcedureWilcoxon Scores (Rank Sums) for Variable rClassified by Variable ww N Sum of Scores Expected Under H0 Std Dev Under H0 Mean Score5 33 2576.0 2805.0 252.150749 78.0606061 34 2610.0 2890.0 255.000000 76.7647062 34 3206.0 2890.0 255.000000 94.2941183 34 2996.0 2890.0 255.000000 88.117647 4 34 2977.0 2890.0 255.000000 87.558824Kruskal-Wallis Test Chi-Square 3.0846 DF 4 Pr > Chi-Square 0.5438------------------------------------------------------------------------- K －W 检验得2χ＝3.086，df ＝4，p ＝0.53480.05>，所以不能拒绝0H ,即周一到周五得上证综合指数收益率得分布125()()...()F x F x F x ===，所以我们认为在2002年的前三季度中，上海市股市综合指数收益率不存在周末效应。
参考文献：[1] Damodar N. Gujarati. Basic Econometrics.北京：中国人民大学出版社，2005. p791-p800. [2] George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel. Time Series AnalysisForecasting And Control.[3] 何书元. 应用时间序列分析. 北京：北京大学出版社, 2003. p218-p226. [4] 张卓. SAS 软件的应用. 统计与信息论坛(2005),Vol.20, No.4. p104-p106. [5] 樊欣，邵谦谦.SAS 8.X 经济统计.北京：北京希望电子出版社，2003. p28-p60.[6] 岳朝龙，黄永兴，严钟. SAS 系统与经济统计分析. 合肥：中国科学技术大学出版社, 2004. p469-p487 [7] 李彦萍.发达与非发达地区收入与消费非参数统计分析.山西农业大学学报(2005)，Vol.4， No.4.p334-p339.[8] 刘彤.利用非参数方法对上海股市周末效应的研究.数理统计与管理(2003)，Vol.22，No.1.p69-p71.Application of Nonparametric statistical MethodRUAN Shu-fen ，CHENG Jiao-yi ，ZHANG Zhen-zhong(School of Mathematics and Physics, China University of Geosciences, Wuhan 430074) Abstract: In this paper, we simply introduce three common hypothesis tests. Using the Kruskal- -Wallis test, we do week effect test about the shanghai synthetic index of which we take the first three quarters of 2002 for samples. Showing that during the year of 2002, the yield of shanghai stock market synthetic index has no week effect.Keywords: singed test; wilcoxon rank sum test; Krtuskal-wallis test.。