JMP学生版没有任何功能限制，还可以执行Wilcoxon检验。
在选择[分析]→[双变量关系]后出现的窗口中，确保设置为[Y，因变量]和[X，解释变量]的列按如下方式缩放：
指定列为[Y, Effect] = 连续刻度
[X，解方差]中指定的列 = 名义尺度
设置上述尺度后，运行“双变量关系”时，将通过单击报告顶部的红色三角形按钮调出的菜单，选择“非参数”->“Wilcoxon / Kruskal-Wallis 检验”来执行以下测试。
（a）如果 X 变量有两个水平，则显示两个结果：一个是带 1/2 连续性校正的 Wilcoxon 检验，另一个是不带连续性校正的 Wilcoxon 检验。
“Wilcoxon 2 样本检验（正态近似）”中显示的结果为采用 1/2 连续性校正的 Wilcoxon 检验。
“Kruskal-Wallis 检验（卡方近似）”中显示的检验是 Wilcoxon 检验，没有进行 1/2 连续性校正。
采用半连续性校正的 Wilcoxon 检验比未采用半连续性校正的 Wilcoxon 检验更为保守。
历史上，采用 1/2 连续性校正的 Wilcoxon 检验曾是近似“精确”检验的常用方法，但计算机性能的进步使得对小型数据集进行“精确”检验成为可能。“精确”检验将在后文讨论。
（b）如果 X 变量有三个或更多水平，则进行 Kruskal-Wallis 检验。
所有这些数值都是基于正态近似计算得出的。
通常情况下，Wilcoxon检验用于以下情况下的两组比较：
（1）当目标变量是连续变量且可能包含异常值，而您希望执行不受异常值影响的检验时
（2）当目标变量是连续的，并且你想进行对单调变换不变的检验时（特别是当某些变换导致逻辑分布时）
（3）当目标变量为序数尺度，且您希望使用等级作为得分进行检验时
如果情况如（3）所示，并且 Y 变量的数据值存储为字符串，则将其转换为数字，然后对转换后的数值列运行[双变量关系]，并使用连续刻度。
“威尔科克森检验”是通过将原始数据转换为秩而得到的检验方法，但它与“曼-惠特尼U检验”等效，后者使用称为U统计量的统计量作为检验统计量。因此，它有时被称为“曼-惠特尼-威尔科克森检验”或“威尔科克森-曼-惠特尼检验”。此外，与威尔科克森检验类似的、用于三个或更多组数据的检验方法称为“克鲁斯卡尔-瓦利斯检验”。
如果您的数据量较小，并且您希望执行通过对数据进行“精确”排序而获得的检验，请选择[非参数检验] → [精确检验] → [精确 Wilcoxon 检验] 。此“精确”Wilcoxon 检验首先将数据转换为秩，然后再对其进行排序，从而计算 p 值。但是，即使数据量很小，也可能导致计算失败。此外，尽管使用了“精确”一词，但对于小数据集，结果会相当保守。“保守”意味着，例如，当执行显著性水平为 5% 且拒绝 p 值小于等于 5% 的检验时，如果原假设正确（即两组的概率分布完全相同），则拒绝原假设的概率将显著小于 5%。
此外，t 检验的点估计值是均值差，而 Wilcoxon 检验的点估计值称为 Hodges-Lehmann 估计值。Wilcoxon 检验的 Hodges-Lehmann 估计值是通过计算所有组 1 和组 2 之间的均值差并取中位数来计算的。要计算此 Hodges-Lehmann 估计值，请选择[非参数] → [非参数多重比较] → [成对 Wilcoxon 检验] 。
总之，Wilcoxon检验的基本假设是两组的概率分布完全相同，即其零假设成立。因此，即使得到的p值很小，我们也只能断言数据表明两组的概率分布存在一些差异。与其仅仅追求Wilcoxon检验的p值，我认为最好通过查看[双方差关系]生成的图表来进行综合判断。此外，如果存在其他协变量，我认为进行补充分析（例如尝试对其进行建模）也是个好主意。
