我们目前正在撰写一篇包含几个单样本 Wilcoxon 测试的论文。虽然通过boxplots可视化两个样本测试很容易，但我想知道是否有任何好的方法可以可视化一个样本测试结果？
# Example data
pd <- c(0.80, 0.83, 1.89, 1.04, 1.45, 1.38, 1.91, 1.64,
0.73, 1.46, 1.15, 0.88, 0.90, 0.74, 1.21)
wilcox.test(pd, mu = 1.1)
# Wilcoxon signed rank test
#
# data: pd
# V = 72, p-value = 0.5245
# alternative hypothesis: true location is not equal to 1.1
...并且：
我想获得 Z 值而不是 V 值。我知道如果我使用coinpackage 而不是 basicstats我将有 z 值，但coinpackage 似乎无法执行单样本 Wilcoxon 测试。
像这样的东西？
或者你是在中位数的某个间隔之后，就像你得到带有缺口的箱线图（但自然适合一个样本比较）？
这是一个例子：
这使用了 McGill 等人建议的区间（参考文献中的区间?boxplot.stats）。实际上可以使用缺口，但这可能会增加将其解释为普通缺口箱线图的机会。
当然，如果您需要一些东西来更直接地复制有符号秩检验，可以构建各种东西来做到这一点，甚至可以包括伪中位数的间隔（即单样本 Hodges-Lehmann 位置估计，中位数成对平均值）。
确实，wilcox.test可以为我们生成必要的信息，所以这很简单：
> wilcox.test(pd,mu=1.1,conf.int=TRUE)
Wilcoxon signed rank test
data: pd
V = 72, p-value = 0.5245
alternative hypothesis: true location is not equal to 1.1
95 percent confidence interval:
0.94 1.42
sample estimates:
(pseudo)median
1.1775
这也可以绘制：
[箱线图间隔较宽的原因是，当数据相当正态时，正态中位数的标准误差（这是基于 IQR 计算的假设）往往大于伪中位数的标准误差。]
当然，人们可能希望将实际数据添加到绘图中：
Z值
R 使用正等级的总和作为其测试统计量（这与测试的维基百科页面上讨论的统计量不同）。
Hollander 和 Wolfe 给出统计量的平均值为，方差为。
因此，对于您的数据，平均值为 60，标准差为 17.61，z 值为 0.682（忽略连续性校正）
我用来生成第四个图的代码（也可以通过省略不需要的部分来完成前面的图）有点粗糙（它主要针对问题，而不是一般的绘图函数），但我想有人可能想要它：
notch1len <- function(x) {
stats <- stats::fivenum(x, na.rm = TRUE)
iqr <- diff(stats[c(2, 4)])
(1.96*1.253/1.35)*(iqr/sqrt(sum(!is.na(x))))
}
w <- notch1len(pd)
m <- median(pd)
boxplot(pd,horizontal=TRUE,boxwex=.4)
abline(v=1.1,col=8)
points(c(m-w,m+w),c(1,1),col=2,lwd=6,pch="|")
ci=wilcox.test(pd,mu=1.1,conf.int=TRUE)$conf.int #$
est=wilcox.test(pd,mu=1.1,conf.int=TRUE)$estimate
stripchart(pd,pch=16,add=TRUE,at=0.7,cex=.7,method="jitter",col=8)
points(c(ci,est),c(0.7,0.7,0.7),pch="|",col=4,cex=c(.9,.9,1.5))
lines(ci,c(0.7,0.7),col=4)
稍后我可能会回来发布更多功能代码。
如果你喜欢箱线图，你可以很容易地用一条线或其他参考线显示一个箱线图，以显示你的假设值。（@Glen_b 在我第一次写这篇文章时发布了一个非常简单的例子的答案。）
可以说，现在非常流行的箱线图在单样本和双样本探索中被大量过度使用。（在我看来，它们的真正价值是当您比较多组值时，样本或组或变量的数量更像是 10、30 或 100，并且非常需要在大量可能的情况下查看整体模式细节。）
关键在于，只有一两个样本（组、变量），您就可以在图上留出空间来显示更多细节，这些细节可能很有趣或对比较很重要。有了好的设计，这样的细节就不会在视觉比较中分散注意力。
显然，在大多数常用版本中，箱线图会隐藏其箱内的所有细节，显示数据的中间一半，除非箱内的中位数位置传达了一些信息。根据所使用的确切规则，例如 1.5 IQR 约定单独显示数据点，当且仅当它们与最近的四分位数相差 1.5 IQR 或更多时，箱形图甚至有可能抑制另一半的大部分细节的数据。通常，甚至通常情况下，这样的细节可能与 Wilcoxon 测试之类的东西无关，但准备好在数据显示中看到一些启发性的东西总是一个好主意。
在许多领域中仍然严重未充分使用的显示是分位数图，它显示了有序值与相关累积概率的对比。（由于其他轻微的技术原因，对于样本大小，此累积概率通常不是 ，而是对于等级，1 是最小值的等级。 )
这是您的示例数据，其中为 1.1 添加了参考线。
在其他示例中，关键点包括
对于两个样本的比较，可以在叠加迹线、并列迹线或使用相关图（例如分位数-分位数图）之间轻松选择。
该图在一系列样本量上表现良好。
离群值、粒度（很多联系）、间隙、双模态或多模态都将比箱形图更清楚地显示出来。
分位数图与单调变换很好地结合在一起，这对于箱线图来说并非如此。
有些人会想指出累积分布图或生存函数图显示相同的信息，这对我来说很好。
请参阅 WS Cleveland 的书籍（详细信息请参见http://store.hobart.com/），了解对分位数图的克制但有效的倡导。
另一个非常有用的图是点图或条图（也有许多其他名称），但我想在这里为分位数图吹一个小号。
R 细节我留给别人。我在这里专注于更一般的统计图形问题，它显然跨越了统计科学和所有软件的可能性。
顺便说一句，我不知道背景故事，但wilcox.testR 中的名字对我来说似乎是一个糟糕的选择。因此，您节省了键入两个字符的时间，但名称会引起混淆，尤其是因为过去和现在在称为 Wilcox 的统计领域的人。曼恩和惠特尼缺乏正义是另一个细节。被授予荣誉的人是威尔科克森。