1700502008
从图12-5可以看出：F检验的概率（pr＞F）值为0.0062，远远小于α理论值0.05，所以可以拒绝H0，同时表明运营方案（或内容）不同，则客户的活跃度提升分数也不相同。
1700502009
1700502010
1700502011
1700502012
1700502013
图12-5 单因素ANOVA输出的结果
1700502014
1700502015
从图12-6可以看出，经过SNK方法检验，C组客户的活跃度分数与其他各组的客户活跃度分数有明显的区别。
1700502016
1700502017
1700502018
1700502019
1700502020
图12-6 单因素ANOVA的SNK（Student-Newman-Keuls）检验结果
1700502021
1700502022
从图12-7可以看出，经过Tukey方法检验，c组分数与a、b、d、e各组的分数差异明显。
1700502023
1700502024
1700502025
1700502026
1700502027
图12-7 单因素ANOVA的Tukey检验结果
1700502028
1700502029
从图12-8可以看出，经过Scheffe方法检验，c组与e、d组的分数差异非常明显。
1700502030
1700502031
1700502032
1700502033
1700502034
图12-8 单因素ANOVA的Scheffe检验结果
1700502035
1700502036
1700502037
1700502038
1700502039
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497672]
1700502040
数据挖掘与数据化运营实战：思路、方法、技巧与应用 12.2.10 多个样本组的非参数检验
1700502041
1700502042
如果多个样本组的数据不是来自正态分布的总体，或者各样本组的方差不相等，在这些场景中，就不能使用方差分析的方法了，而只能采用非参数检验的方法。
1700502043
1700502044
还是以上一节的案例为例来进行说明，在为期两周的运营活动结束后，运营方希望通过数据分析来评价不同的运营方案是否对客户的活跃度提升有明显的差异。
1700502045
1700502046
最常用的多个样本组的非参数检验方法是Kruskal-Wallis检验，但在SAS中仍然可以利用NPAR1WAY过程中的Wilcoxon方法来实现，示范案例的具体程序代码如下：
1700502047
1700502048
Proc npar1way data=four Wilcoxon;
1700502049
1700502050
VAR score;
1700502051
1700502052
Class group;
1700502053
1700502054
Run;
1700502055
1700502056
运行上述程序后得到了非参数检验的结果，如图12-9所示。
1700502057