该技能面向需要做非参数统计检验的场景，帮助在数据违反参数假设时选择并应用合适的秩检验方法。
一、适用时机 当数据为有序变量（如 Likert 量表、排名）、分布明显非正态（偏态、离群值）、每组样本量很小（n<15-20）、方差不齐，或分析对象是秩/中位数而非均值时，应使用非参数检验。若数据近似正态、方差齐性、需要更高统计功效且参数假设基本满足，则用参数检验。
二、检验选择对应 独立 t 检验→Mann-Whitney U；配对 t 检验→Wilcoxon 符号秩；单因素方差分析→Kruskal-Wallis H；重复测量方差分析→Friedman；Pearson 相关→Spearman 秩相关；卡方检验→Fisher 精确检验（小样本比例比较）。
三、主要能力 提供 Mann-Whitney U、Kruskal-Wallis H（含 Dunn 事后或 Bonferroni 校正的成对 Mann-Whitney）、Wilcoxon 符号秩、Spearman 秩相关的实现函数与调用示例（Python scipy/numpy），并计算中位数、秩双列相关 r、效应量及强弱解释。Kruskal-Wallis 在整体显著后执行成对比较，并给出校正后 p 值与显著性判断。
四、使用方式 以 Python 直接调用示例函数，传入各组观测列表或配对数据即可返回统计量、p 值、样本量、中位数、效应量等字段。文档同时给出 APA 风格报告示例（Mann-Whitney U、Kruskal-Wallis、Wilcoxon、Spearman），并强调报告 p 值时应同时报告效应量：秩双列相关 r 的小/中/大参考为 0.1/0.3/0.5，Spearman rho 使用标准相关基准。
五、限制 资料未提供 Friedman、Fisher 精确检验的具体实现示例；也未说明所依赖的 scipy/numpy 版本、安装命令、异常数据处理细节及 Bonferroni 以外的事后校正方法。