Runs Test of Randomness

Overview Contents
The one­sample runs test of significance is commonly used as anonparametric test of randomness in 
a sample. Note that this is a necessary but not sufficient test for random sampling. A non­random  Key concepts and terms
availability sample of, say, students in a class, may be a very biased representation of all students in 
a university, yet within the class the order of sampling may be random and the sample may pass the  Assumptions
runs test. On the other hand, if a purportedly random sample fails the runs test, this indicates that 
there are unusual, non­random periodicities in the order of the sample inconsistent with random  Frequently asked questions
sampling. 
Bibliography

Key Concepts and Terms
¡ Runs. A "run" is a series of similar responses for a given test variable. For instance, if R=Republican and D=Democrat, the first 15 responses in a random 
sample might be RRDDDDRDDRRRDRD. Each series of like responses (each series of R's or D's in this example, even a "series" with only 1 R or D) is a 
"run." In this example there are eight runs, starting with the RR run and ending with a D run. While the runs test is typically performed on a binary test variable 
of this sort, the runs test has been adapted for variables with more than two values. In SPSS, multiple values are allowed but they must be numeric. 

¡ Runs test. Using the laws of probability, it is possible to estimate the number of runs that one would expect by chance, given the proportion of the 
population in each of the two categories and given the sample size (ex., given 7 R's and 8 D's in a sample of 15). Let r = the observed number of runs. 
Comparing observed r with the critical value of r in a table of the runs test, the researcher can tell if r is outside the range which would occur by chance. For 
this example, observed r would have to be 4 or less or 13 or more to conclude that the number of runs was outside the range expected under conditions of 
randomness. Since observed r was 8 in this example, the researcher concludes that the sample cannot be said to be non­random. By default, significance 
tests are two­tailed and asymptotic. For small samples with a binary test variable, exact significance tests are available. For large samples, Monte Carlo 
estimated significance levels are available. However estimated, a finding of nonsignificance upholds the assumption of random order. 

¡ Runs test for serial randomness. This is a variant of the runs test for quantitative variables. In essence, a new up­down series is created (hence the 
alternative name up­down runs test) with symbols (ex., U, D) indicating if the given value in is up or down in value from the prior value in sequence. The runs 
test is then performed on the up­down series rather than upon the original quantitative variable. See Sheskin, 2007: 395­397. 

¡ Cut points. The runs test algorithm divides the sample at a cut point. The SPSS dialog, shown below, allows the researcher to specify the mean, median, or 
mode, and/or to specify a custom cut point. 

¡ Example. The table below is SPSS output, reformatted for better display, for a dataset on smoking, using the test variable Smoking, which varied from 1 to 
6. Tests were requested for the mean, median, and mode as alternative cutting points, hence the three runs tables below. 

For these data, the median and modal cutting points were quite different, but all three versions of the runs test returned a smilar Z value, which was highly 
significant in all three cases. The significance coefficient is two­tailed, meaning that it is testing if there are too few or too many runs compared to expected 
runs under random conditions. A finding of significance, as here, means that the researcher concludes the series does differ significantly from random. A 
negative Z value means there are fewer runs than would be expected. The assumption of randomness would have been upheld by a finding of nonsignificance. 
Here, the data on smoking do not appear to have been entered into the dataset in random order. Not this does not mean the data were not collected by a 
random sample. 
 For these data, the median and modal cutting points were quite different, but all three versions of the runs test returned a smilar Z value, which was highly 
significant in all three cases. The significance coefficient is two­tailed, meaning that it is testing if there are too few or too many runs compared to expected 
runs under random conditions. A finding of significance, as here, means that the researcher concludes the series does differ significantly from random. A 
negative Z value means there are fewer runs than would be expected. The assumption of randomness would have been upheld by a finding of nonsignificance. 
Here, the data on smoking do not appear to have been entered into the dataset in random order. Not this does not mean the data were not collected by a 
random sample. 

¡ Type of significance estimate. The Exact button in the SPSS dialog above allows the researcher to select among asymptotic, exact, or Monte­Carlo 
estimates of the significance of the runs test test value. These three types of estimates are discussed separately in the section on significance testing. This 
requires that the SPSS Exact Tests add­on module be installed. 

Assumptions
¡ Data order. If used as a test of randomness in random sampling, it is assumed data are entered into the dataset in the order sampled (that is, without any 
grouping or other preprocessing). 

¡ Numeric data. In the SPSS implementation of the runs test, the test variables must be numeric. Thus it may be necessary to recode string variables. 

¡ Data level. The original runs test required that data be a dichotomy which is mutually exclusive and exhaustive for all cases. However, the runs test does not 
require true dichotomies: the researcher may dichotomize continuous variables around the mean, median, mode, or some custom cut point. Normally one 
would use the median for ordinal data and the mean for interval data. However, multinomial variables lacking ordinality cannot be dichotomized, of course, 
since "above" and "below" the cut point has no non­arbitrary meaning. Variants on the runs test have been created to allow for two or more cutting points 
rather than a single one. SPSS supports test variables which are binary, ordinal, or interval, using a single cut point, which may be mean, median, mode, 
and/or a researcher­supplied custom value. 

¡ Data distribution. The runs test is a non­parametric test, not assuming the normal or any other particular distribution. 

Frequently Asked Questions
¡ Where in SPSS does one find the runs test? 
From the SPSS menu, select Analyze, Nonparametric Tests, Runs. The Exact Tests module must be installed. In the Runs Test dialog box enter the 
variable list to be tested for randomness, then enter the cut points to be used to dichotomize variables (mean, median, mode, or custom). 

SPSS statistical output includes the mean, standard deviation, minimum, maximum, and number of nonmissing cases; and quartile values ( values at the 
25th, 50th, and 75th percentiles). 

¡ What is the length­of­runs test? 
The runs test described above is the number­of­runs test. There is a variant, which centers on the average length of runs rather than their number. Both 
versions are used to test for sample randomness. However, there is some evidence that the conventional number­of­runs test is more powerful than the 
length­of­runs test, which therefore is little used. The length­of­runs test is discussed in Bradley (1968: 255­59).  

¡ What is the SPSS syntax for the runs test? 
This is part of the general nonparametric tests (NONPAR) syntax: 

 
NPAR TESTS [CHISQUARE=varlist[(lo,hi)]/] [/EXPECTED={EQUAL      }] 
                                                    {f1,f2,...fn}
 [/K­S({UNIFORM [min,max]   })=varlist] 
       {NORMAL [mean,stddev]}
       {POISSON [mean]      }
       {EXPONENTIAL [mean]  }
 [/RUNS({MEAN  })=varlist]
        {MEDIAN}
        {MODE  }
        {value }
 [/BINOMIAL[({.5})]=varlist[({value1,value2})]] 
             { p}            {value        }
 [/MCNEMAR=varlist [WITH varlist [(PAIRED)]]]
 [/SIGN=varlist [WITH varlist [(PAIRED)]]]
 [/WILCOXON=varlist [WITH varlist [(PAIRED)]]]
         {MEDIAN}
        {MODE  }
        {value }
 [/BINOMIAL[({.5})]=varlist[({value1,value2})]] 
             { p}            {value        }
 [/MCNEMAR=varlist [WITH varlist [(PAIRED)]]]
 [/SIGN=varlist [WITH varlist [(PAIRED)]]]
 [/WILCOXON=varlist [WITH varlist [(PAIRED)]]]
  |/MH=varlist [WITH varlist [(PAIRED)]]] †† 
 [/COCHRAN=varlist] 
 [/FRIEDMAN=varlist]
 [/KENDALL=varlist]
 [/M­W=varlist BY var (value1,value2)]
 [/K­S=varlist BY var (value1,value2)]
 [/W­W=varlist BY var (value1,value2)]
 [/MOSES[(n)]=varlist BY var (value1,value2)]
 [/K­W=varlist BY var (value1,value2)]
 [/J­T=varlist BY var (value1, value2)]†† 
 [/MEDIAN[(value)]=varlist BY var (value1,value2)] 
 [/MISSING=[{ANALYSIS**}]  [INCLUDE]] 
            {LISTWISE  }
 [/SAMPLE]
 [/STATISTICS=[DESCRIPTIVES]  [QUARTILES] [ALL]] 
  [/METHOD={MC [CIN({99.0 })] [SAMPLES({10000})] }]†† 
                    {value}            {value} 
          {EXACT [TIMER({5    })]              }
                         {value} 

**Default if the subcommand is omitted.
††Available only if the Exact Tests option is installed.  

Bibliography
¡ Bradley, James (1968). Distribution­free statistical tests. Englewood Cliffs, NJ: Prentice­Hall. 
¡ Sheskin, David (2007). Handbook of parametric and nonparametric statistical procedures, 4th ed.. Boca Raton, FL: Chapman & Hall. CRC. 

@c 2006, 2008 G. David Garson
Last updated: 4/24/2008. 

Back