JMP學生版沒有任何功能限制，還可以執行Wilcoxon檢定。
在選擇[分析]→[雙變量關係]後出現的視窗中，確保設定為[Y，響應變數]和[X，解釋變數]的列如下縮放：
列指定為[Y，反應變數] = 連續尺度
指定列為[X，解編號] = 標稱比例
設定上述尺度後，執行「雙變量關係」時，將透過點擊報告頂部的紅色三角形按鈕調出的選單，選擇「非參數」->「Wilcoxon / Kruskal-Wallis 檢定」來執行以下測試。
（a）如果 X 變數有兩個水平，則顯示兩個結果：一個是 1/2 連續性校正的 Wilcoxon 檢定，另一個是不帶連續性校正的 Wilcoxon 檢定。
「Wilcoxon 2 樣本檢定（常態近似）」中所顯示的結果為採用 1/2 連續性校正的 Wilcoxon 檢定。
「Kruskal-Wallis 檢定（卡方近似）」中顯示的檢定是 Wilcoxon 檢定，沒有進行 1/2 連續性校正。
採用半連續性校正的 Wilcoxon 檢定比未採用半連續性校正的 Wilcoxon 檢定更為保守。
歷史上，採用 1/2 連續性校正的 Wilcoxon 檢定曾是近似「精確」檢定的常用方法，但電腦效能的進步使得對小型資料集進行「精確」檢定成為可能。 「精確」檢定將在後文討論。
（b）如果 X 變數有三個或更多水平，則進行 Kruskal-Wallis 檢定。
所有這些數值都是基於常態近似計算得出的。
通常情況下，Wilcoxon檢定用於以下情況的兩組比較：
（1）當目標變數是連續變數且可能包含異常值，而您希望執行不受異常值影響的檢定時
（2）當目標變數是連續的，並且你想進行對單調變換不變的檢定時（特別是當某些變換導致邏輯分佈時）
（3）當目標變數為序數尺度，且您希望使用等級作為得分進行檢定時
如果情況如（3）所示，且 Y 變數的資料值儲存為字串，則將其轉換為數字，然後對轉換後的列運行[雙方差關係]，並採用連續刻度。
「威爾科克森檢定」是透過將原始資料轉換為秩而得到的檢定方法，但它與「曼-惠特尼U檢定」等效，後者使用稱為U統計量的統計量作為檢定統計量。因此，它有時被稱為“曼-惠特尼-威爾科克森檢定”或“威爾科克森-曼-惠特尼檢定”。此外，與威爾科克森檢定類似的、用於三個或更多組資料的檢定方法稱為「克魯斯卡爾-瓦利斯檢定」。
如果您的資料量較小，且您希望執行透過對資料進行「精確」排序所獲得的檢驗，請選擇[非參數檢定] → [精確檢定] → [精確 Wilcoxon 檢定] 。此「精確」版本的 Wilcoxon 檢定首先將資料轉換為秩，然後再進行排序，從而計算 p 值。但是，即使資料量很小，也可能導致計算失敗。此外，儘管使用了“精確”一詞，但對於小數據集，結果會相當保守。 「保守」意味著，例如，當執行顯著性水準為 5% 且拒絕 p 值小於等於 5% 的檢定時，如果原假設正確（即兩組的機率分佈完全相同），則拒絕原假設的機率將顯著小於 5%。
此外，t 檢定的點估計值是平均數差，而 Wilcoxon 檢定的點估計值稱為 Hodges-Lehmann 估計值。 Wilcoxon 檢定的 Hodges-Lehmann 估計值是透過計算所有組別 1 和組 2 之間的平均差並取中位數來計算的。要計算此 Hodges-Lehmann 估計值，請選擇[非參數] → [非參數多重比較] → [成對 Wilcoxon 檢定] 。
總之，Wilcoxon檢定的基本假設是兩組的機率分佈完全相同，即其零假設成立。因此，即使得到的p值很小，我們也只能斷言數據顯示兩組的機率分佈有些差異。與其僅僅追求Wilcoxon檢定的p值，我認為最好透過查看[雙重變異關係]產生的圖表來進行綜合判斷。此外，如果存在其他協變量，我認為進行補充分析（例如嘗試對其進行建模）也是個好主意。
