spss卡方检验和非参数检验
医学统计学之卡方检验SPSS操作
医学统计学之卡方检验SPSS操作卡方检验（Chi-Square Test）是一种常用的统计方法，用于比较两个或多个分类变量的分布是否存在差异。
该方法主要用于处理分类数据，例如比较男女性别和吸烟与否对癌症发生的关系。
在SPSS（Statistical Package for the Social Sciences）软件中，进行卡方检验的操作主要分为数据准备、假设设定和计算步骤。
第一步：数据准备首先，需要在SPSS中导入数据。
假设我们需要在一个样本中比较男女性别和吸烟与否的关系，我们可以将性别和吸烟状况作为两个分类变量，分别用“Male”和“Female”表示性别，“Smoker”和“Non-smoker”表示吸烟状况。
将这些数据输入到SPSS中的一个数据表中。
第二步：假设设定接下来，需要设置假设。
在卡方检验中，我们通常有一个原假设和一个备择假设：-原假设（H0）：两个或多个分类变量之间没有显著差异。
-备择假设（H1）：两个或多个分类变量之间存在显著差异。
在本例中，原假设可以是“性别和吸烟状况之间没有显著差异”，备择假设可以是“性别和吸烟状况之间存在显著差异”。
第三步：计算步骤进行卡方检验的计算步骤如下：1.打开SPSS软件并导入数据。
2. 选择“分析（Analyse）”菜单，然后选择“非参数检验（Nonparametric Tests）”子菜单，最后选择“卡方（Chi-Square）”选项。
3.在弹出的对话框中选择两个分类变量（性别和吸烟状况），并将它们添加到变量列表中。
4.点击“确定（OK）”按钮，开始进行卡方检验的计算。
5.SPSS将计算卡方统计量的值和相关的P值。
如果P值小于指定的显著性水平（通常为0.05），则可以拒绝原假设，接受备择假设。
这样，就完成了卡方检验的SPSS操作。
需要注意的是，卡方检验是一种只能说明变量之间是否存在关系的方法，不能用于确定因果关系。
此外，在进行卡方检验之前，需要确保样本符合一些假设，例如每个单元格的期望频数应该大于5、如果不满足这些假设，可以考虑使用其他适用的统计方法。
spss统计分析三大检验回归诊断因子分析知识
• 旋转后的各个因子 的含义更加突出。 每个公因子都有反 映几个方面的变动 情况。
• 第一个公因子反映 交大载荷的有外商、 国有、港澳台、股 份制、集体经济单 位；第二个有联营 经济单位；第三个 则是其他经济单位。
• 该表列出来采用回 归法估计得因子得 分系数。根据表中 的内容可写出因子 得分系数。
实例分析：全国各地区不同所有制单位平均 收入排名
• 下图是全国各地区不同所有制单位平均收入情况，具体包 括国有经济单位、集体经济单位、联营经济单位等7个部 分。利用主成分分析探讨各地区按所有制类别分类的排名。
• 进行因子分析前，可以 计算相关系数矩阵、巴 特李特球度检验和KMO 检验等方法来检验候选 数据是否适合采用因子 分析。
因子分析：主成分分析的内在原理和过程
• 方法概述：因子分析法就是从研究变量内部相关的依赖关系出发，把 一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量 统计分析方法。
• 基本思想：对原始的数据进行分类归并，将相关比较密切的变量分别 归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的 信息互相不重叠。这些综合指标就称为因子或公共因子，就能相对容 易地以较少的几个因子反映原资料的大部分信息。
模型汇总即对方程拟合情况的描述， R方就是自变量所能解释的方差在 总方差中所占的百分比，值越大说 明模型的效果越好。案例计算的回 归模型中R方等于0.994，模型拟合 效果较好。
• 方差分析表是对 回归模型进行方 差分析的检验结 果，主要用于分 析整体模型的显 著性。可以看到
方差分析结果中F 统计量等于4123， 概率p,0.000小于 显著性水平0.05， 所以该模型是有 统计学意义的， 人均可支配收入 与人均消费性支 出之间的线性关
SPSS非参数检验之一卡方检验
SPSS非参数检验之一卡方检验一、卡方检验的概念和原理卡方检验是一种常用的非参数检验方法，用于检验两个或多个分类变量之间的关联性。
它利用实际观察频数与理论频数之间的差异，来判断两个变量是否独立。
卡方检验的原理基于卡方分布，在理论上，如果两个变量是独立的，那么它们的观测频数应该等于理论频数。
卡方检验通过计算卡方值来度量观察频数与理论频数之间的差异程度，进而判断两个变量是否独立。
卡方值的计算公式为：卡方值=Σ(（观察频数-理论频数）²/理论频数）其中，观察频数为实际观察到的频数，理论频数为理论上计算得到的频数。
二、卡方检验的步骤卡方检验的步骤包括以下几个方面：1.建立假设：首先需要建立原假设和备择假设。
原假设（H0）是两个变量之间独立，备择假设（H1）是两个变量之间存在关联。
2.计算理论频数：根据原假设和已知数据，计算出各组的理论频数。
3.计算卡方值：利用卡方值的计算公式，计算观察频数与理论频数之间的差异。
4.计算自由度：自由度的计算公式为自由度=(行数-1)*(列数-1)。
5.查表或计算P值：根据卡方值和自由度，在卡方分布表中查找对应的临界值，或者利用计算机软件计算P值。
6.判断结果：判断P值与显著性水平的关系，如果P值小于显著性水平，则拒绝原假设，认为两个变量存在关联；如果P值大于显著性水平，则接受原假设，认为两个变量是独立的。
三、卡方检验在SPSS中的应用在SPSS软件中，进行卡方检验的操作相对简单。
下面以一个具体的案例来说明：假设我们有一份数据，包括了男性和女性在健康习惯（吸烟和不吸烟）方面的调查结果。
我们想要检验性别与吸烟习惯之间是否存在关联。
1.打开SPSS软件，导入数据。
2.选择"分析"菜单，点击"拟合度优度检验"。
3.在弹出的对话框中，将两个变量（性别和吸烟习惯）拖入"因子"栏目中。
4.点击"统计"按钮，勾选"卡方拟合度"。
spss分析
spss分析SPSS (Statistical Package for the Social Sciences) 是一种常用的统计软件，可以进行各种数据分析。
SPSS分析方法如下：1. 描述性统计分析：对数据进行描述性统计，包括平均数、中位数、众数、标准差、方差等。
2. 参数检验：通过参数检验可以判断总体参数是否符合预期，常见的参数检验方法有t检验、方差分析（ANOVA）、卡方检验等。
3. 非参数检验：非参数检验方法用于处理数据样本不满足正态分布或方差齐性的情况，常见的非参数检验方法有Wilcoxon秩和检验、Kruskal-Wallis检验等。
4. 相关分析：用于分析两个或多个变量之间的关系，常见的相关分析方法有Pearson相关系数、Spearman秩相关系数等。
5. 回归分析：通过建立回归方程来研究自变量与因变量之间的关系，常见的回归分析方法有线性回归、多元回归等。
6. 方差分析：用于比较不同因素对结果的影响，常见的方差分析方法有单因素方差分析、多因素方差分析等。
7. 聚类分析：将数据集中的个体划分为不同的类别，常见的聚类分析方法有K均值聚类、层次聚类等。
8. 判别分析：用于确定将个体划分到已知类别中的判别准则，常见的判别分析方法有线性判别分析、逻辑回归等。
9. 生存分析：用于分析个体在某个时间段内生存的概率，常见的生存分析方法有Kaplan-Meier生存曲线、Cox比例风险模型等。
10. 因子分析：用于确定影响多个变量的共同因素，常见的因子分析方法有主成分分析、因子旋转等。
以上只是SPSS分析的一部分，还有很多其他的分析方法可以在SPSS中实现。
具体选择哪种分析方法取决于研究目的和数据特点。
《SPSS数据分析教程》——非参数检验
动手练习
细菌污水处理厂的微生物生态系统中最重要的 组成部分。水资源管理工程师认为在某个指定 工厂收集的污水样本中活性细菌的百分数的中 位数为40。如果活性细菌的百分数的中位数大 于40，则应该调整污水处理过程。数据 Water.sav记录了含有10个污水样品的随机样 本中活性细菌的百分数。在显著性水平为5%的 条件下，该样本提供了充分证据表明污水样本 中活性细菌的百分数的中位数大于40吗？
6.3独立样本非参数检验
独立样本非参数检验使用一个或多个非参数检 验方法来识别两个或更多个组间的差别。对于 两个分布未知的总体，或者两个总体的分布不 服从正态时，我们无法应用T检验来比较两个 总体。可以转而应用非参数的方法来比较两个 总体的中心位置的差异。独立样本是指样本来 自的总体相互独立。
二项式检验
SPSS的二项式检验也是非参数检验方法的一种， 它适用于对二分类变量的拟合优度检验。其基 本功能是通过样本的频数分布来推断总体是否 服从特定二项分布。这种检验过程是通过分析 实际的频数与理论的频数之间的差别或者说吻 合程度来完成的。例如，现代社会男、女的比 例是否为1.01：1；工厂的次品率是否为1%等 都可以通过二项式检验完成。
选项设置
检验结果分析
聚类条形图显示检验字段每个类别的观察频率 和假设频率。悬停在条形上将在工具提示中显 示观察频率和假设频率及其差别（残差）。观 察和假设条形中的可见区别表明检验字段可能 没有假设的分布。
实例分析：人员结构的调动
某公司经营多年，形成了一套成熟的企业文化 和管理体系。例如，根据多年的运营经验，经 理层、监察员、办事员三种职务类别人员比例 大约在15：5：80为宜，这样运行效率最高。 目前公司进行人事调整，公司人员结构发生变 化，有员工担心人事调整是否已经导致职务类 型比例失调。请利用数据6-2-1来解决该问题
SPSS非参数检验之一卡方检验
SPSS 中非参数检验之一：总体分布的卡方（Chi-square ）检验在得到一批样本数据后，在得到一批样本数据后，人们往往希望从中得到样本所来自的总体的分布形人们往往希望从中得到样本所来自的总体的分布形态是否和某种特定分布相拟合。
这可以通过绘制样本数据直方图的方法来进行粗略的判断。
略的判断。
如果需要进行比较准确的判断，如果需要进行比较准确的判断，如果需要进行比较准确的判断，则需要使用非参数检验的方法。
则需要使用非参数检验的方法。
则需要使用非参数检验的方法。
其中其中总体分布的卡方检验（也记为χ2检验）就是一种比较好的方法。
检验）就是一种比较好的方法。
一、定义总体分布的卡方检验适用于配合度检验，是根据样本数据的实际频数推断总体分布与期望分布或理论分布是否有显著差异。
它的零假设H0：样本来自的总体分布形态和期望分布或某一理论分布没有显著差异。
总体分布的卡方检验的原理是：如果从一个随机变量尤中随机抽取若干个观察样本，这些观察样本落在X 的k 个互不相交的子集中的观察频数服从一个多项分布，这个多项分布当k 趋于无穷时，就近似服从X 的总体分布。
的总体分布。
因此，假设样本来自的总体服从某个期望分布或理论分布集的实际观察频数同时获得样本数据各子集的实际观察频数，并依据下面的公式计算统计量Q ()21ki i i iO E Q E =-=å其中，Oi 表示观察频数；Ei 表示期望频数或理论频数。
可见Q 值越大，表示观察频数和理论频数越不接近；Q 值越小，说明观察频数和理论频数越接近。
SPSS 将自动计算Q 统计量，由于Q 统计量服从K-1个自由度的X 平方分布，因此SPSS 将根据X 平方分布表给出Q 统计量所对应的相伴概率值。
统计量所对应的相伴概率值。
如果相伴概率小于或等于用户的显著性水平，则应拒绝零假设H0，认为样本来自的总体分布形态与期望分布或理论分布存在显著差异；如果相伴概率值大于显著性水平，则不能拒绝零假设HO ，认为样本来自的总体分布形态与期望分布或理论分布不存在显著差异。
统计软件spss操作3_常用假设检验与相关分析
例：
二、连续变量的统计推断：t-检验
例： 以张文彤《SPSS统计分析基础教程》261页 案例数据做配对检验。（文件：配对样本t检 验（治疗前后舒张压拘束比较：张文彤261页 案例）.sps）
二、连续变量的统计推断：t-检验
结果解读： 输出结果中”均值“”标准差“”标准误“和” 可信区间“等都是针对配对差值的统计量。由 结果可见，差值均值为10，相应的 P=0.027>0.025，故可以认为该药物对血压治 疗有影响。由于治疗前-治疗后的差值均值为 正，故可推断是使得病人血压下降。
例5：在轿车拥有率案例中，控制城市影响条 件下，更准确研究收入与轿车拥有率的关系。
三、无序分类变量的统计推断：卡方检验
五）分层卡方检验 （控制某些分类因素） 操作： “分析”—“描述统计”—“交叉表” （“层”框中选入城市变量S0） （“统计量”选中“风险”、 “Cochran‟s…”）
三、无序分类变量的统计推断：卡方检验
功能：比较两个总体样本的均值是否相等。实际功 能可以理解为判断是一个总体的样本还是两个总体 的样本，又称为成组设计两样本均数比较。（通常 数据中有一个变量显示分组情况） 也有前面说的两种情况，SPSS只做一种。 操作：“分析”—“比较均值”—“独立样本 t 检验”
例：
比较“均值比较”数据中男女生“自信心”的均值 是否有差异。（即，是同属于一个总体还是分属两 个不同总体）
用p-p图检验CCSS的年龄S3是否符合正态分布。
“分析”—“描述统计”—“p-p图”
一、分布类型检验
三）用p-p图直观数据分布形状 例3：
用茎叶图比较index和S3分布形状。
SPSS显著性分析解析
SPSS显著性分析解析在统计学中，显著性分析是用来确定统计结果的意义是否具有统计学上的差异或重要性的一种方法。
在SPSS中进行显著性分析，通常使用t检验、方差分析和卡方检验等方法。
下面将就这几种方法进行详细解析。
1.t检验t检验用于比较两个样本平均值之间是否存在差异。
SPSS中可以通过选择"分析"-"比较手段"-"独立样本t检验"或"配对样本t检验"来进行t检验。
对于独立样本t检验，需要选择两个独立的样本变量，并将其分组进行比较。
输出结果中将给出均值、标准差、置信区间和显著性水平等信息，可以通过显著性水平来判断两组之间的差异是否具有统计学意义。
对于配对样本t检验，需要选择一个变量，并对其进行两次测量，然后进行比较。
输出结果中同样包含了显著性水平来判断差异是否具有统计学意义。
2.方差分析方差分析用于比较三个或更多样本之间的平均值是否存在差异。
SPSS中可以通过选择"分析"-"比较手段"-"方差分析"来进行方差分析。
在方差分析中，需要选择一个因素变量和至少一个依赖变量。
输出结果将给出各组均值、标准差、方差分析表和显著性水平等信息，可以通过显著性水平来判断不同组之间的差异是否具有统计学意义。
3.卡方检验卡方检验用于比较两个或更多分类变量之间的差异。
SPSS中可以通过选择"分析"-"非参数检验"-"卡方"来进行卡方检验。
在卡方检验中，需要选择一个或多个分类变量，然后进行比较。
输出结果将给出卡方检验的结果，包括卡方值、自由度和显著性水平等信息，可以通过显著性水平来判断不同组之间的差异是否具有统计学意义。
需要注意的是，在进行显著性分析时，显著性水平通常被设置在0.05或0.01水平，其中0.05指的是5%的概率水平。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
e. 四格表资料的确切概率法 四格表资料当有理论数小于1或者总样本例数 不足40时，不能用卡方检验，而要用Fisher 确切概率法（Fisher exact probability）
p (a b)!(c d )!(a c)!(b d )! a!b!c!d!n!
例：在某牧区观察慢性布鲁氏病患者植物血凝素皮肤 试验反应，得结果如下。问活动型与稳定型布氏病 患者植物血凝素反应阳性率是否相同？
卡方（χ2）检验
卡方检验是最基本的ห้องสมุดไป่ตู้类变量统计推 断方法
常用于解决率（构成）的比较 SPSS对分类变量的处理
Crosstabs
.
分类变量的数据库
Variable type 可以是Numeric，也可以是String
Value 用不同的数值表示不同的类别 如，1表示男，2表示女 0表示无效，1表示有效
100%
14%
对照组发病率：P对照组
对照组发病人数 对照组总人数 100%
30 120
100%
25%
b. 四格表的自由度： （行数-1) ×(列数-1）=（2-1）×（2-1）=1
c. 四格表的理论频数：
E nR nC n
R表示行，C表示列 nR是行合计，nC是列合计
实验组 对照组
合计
发病 未发病 14 86 30 90 44 176
n ≥ 40，且所有格子的理论频数E≥5 不校正。
n ≥ 40，且任一格子的理论频数 5>E>1 需要校正。
n<40，或任一格子的理论频数E≤1 不能用χ2检验，应该用直接概率法。
H0：π1=π2 疫苗对疾病的发生没有影响 H1：π1≠π2 疫苗对疾病的发生有影响
α=0.05
所有理论频数E>5，不需校正。
χ2 =4.125，P=0.042
P<0.05，拒绝H0，接受H1，差别有显著性，两总体率 不相等，疫苗对流感的发病有影响。
例：某医师用甲、乙两疗法治疗小儿单纯性消化不良， 结果如下表所示，比较两种疗法效果有无差异。
疗法 甲法 乙法 合计
痊愈数 26 36 62
未痊愈数 7 2 9
合计 33 38 71
Chi-Square Tests
V alue Pearson Chi-Square 4.125b
Continuity Correctioa n 3.466
Asymp. Sig. Exact Sig. Exact Sig.
df
(2-sided) (2-sided) (1-sided)
1
.042
1
.063
合计 100 120 220
E11
100 44 220
20
E12
100 176 220
80
理论上的发病率44/220，乘以实验组的例数 100，得到实验组理论上的发病数。
d. 四格表χ2检验的计算方法：
卡方检验
计算统计指标
输出理论频数、 百分比等
结果输出的格式
实际频数 理论频数
例：
结果的选择：
a. 什么是四格表 (2×2 table) 实验对象分成两组，实验结果只有阳性和阴 性两种可能，以这种形式整理的数据表格。
疫苗免疫效果实验
发病 未发病 合计
实验组 14
86 100
对照组 30
90 120
合计
44 176 220
实验组发病率：P实验组
实验组发病人数 实验组总人数 100%
14 100
两型慢性布氏病患者得植物血凝素皮试反应
病人类型 活动型 稳定性 合计
阳性数 1 3 4
阴性数 14 7 21
合计 15 10 25
阳性率(％） 6.67
30.00 16.00
本例观察总例数只有25例，不足40例，不能计算 pearson卡方。用确切概率法。
Chi-Square Tests
V alue Pearson Chi-Square 2.431b
Likelihood Ratio
4.224
1
.040
Fisher's Exac t Test
.044
.030
Linear- by-Linear A ssociation
4.106
1
.043
N of Valid Cases
220
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expec ted count is 20. 00.
71
a. Computed only for a 2x2 table
b. 2 cells (50.0%) hav e expected count les s than 5. The minimum expected count is 4. 18.
χ2 =2.746，P=0.098
P>0.05，不拒绝H0，差别无显著性，不认为两总体率 不相等，不认为两种疗法效果不同。
H0：π1=π2 两种疗效无差异 H1：π1≠π2 两种疗效有差异
α=0.05 样本量71>40，最小理论频数4.18，用校正的结果。
Chi-Square Tests
V alue Pearson Chi-Square 4.059b
Continuity Correctioa n 2.746
Asymp. Sig. Exact Sig. Exact Sig.
df
(2-sided) (2-sided) (1-sided)
1
.044
1
.098
Likelihood Ratio
4.210
1
.040
Fisher's Exac t Test
.072
.048
Linear- by-Linear A ssociation
4.002
1
.045
N of Valid Cases
.
分类变量数据库的两种形式：
未加权的数据库
加权的数据库
.
加权数据库：Weight Cases
甲组 乙组 阳性 a b a+b 阴性 c d c+d
a+c b+d N
组 +/- Weight
1
1
a
2
1
b
1
2
c
2
2
d
.
组 +/- cases
甲+
a
乙+
b
甲
-
c
乙
-
d
一、 四格表的χ2检验 （两个率比较的χ2检验）
Continuity Correctioa n 1.004
Asymp. Sig. Exact Sig. Exact Sig.
df
(2-sided) (2-sided) (1-sided)
1
.119
1
.316
Likelihood Ratio
2.418
1
.120
Fisher's Exac t Test