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卡方检验和非参数检验
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
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。
第6章 SPSS非参数检验
应 用
参数检验
非参数检验
对正态总体的非 参数检验的效 率评价 0.63 0.95 0.95 0.95 0.91 没有可比较的基 础
配对样本数据 两个独立样本 多个独立样本 相关 随机性
t检验或者z检验 t检验或者z检验 方差分析(F检验) 线性相关 无可用的参数检验
符号检验 Wilcoxon检验 Wilcoxon检验 K-W检验 秩相关检验 游程检验
2
Step01：打开主菜单 选择菜单栏中的【分析】 →【非参数检验】→【旧对话框】→ 【卡方】命令，弹出【卡方检验】对话框。
Step02：选择检验变量 在【卡方检验】对话框左侧的候选变量列表框中选择一个 或几个变量，将其添加至【检验变量列表】列表框中，表示需 要进行进行卡方检验的变量。 Step03：确定检验范围 在【期望全距】选项组中可以确定检验值的范围，对应有 两个单选项。 Step04：选择期望值 在【期望值】选项组中可以指定期望值 ，对应有两个单选 项。
H0：目前三个职业的总体构成比仍然是15％、5％和80％。 H1：目前三个职业的总体构成比不再是15％、5％和80％
2. 实例操作
Step01：打开对话框 打开数据文件6-1.sav，选择菜单栏中的【分析】 →【非参 数检验】→【旧对话框】→【卡方】命令，弹出【卡方检验】对 话框。其中，“jobcat”变量表示职业类型， “1”表示办事员， “2”表示监察员，“3”表示经理。 Step02：选择检验变量 在左侧的候选变量列表框中选择“jobcat”变量作为检验变量， 将其添加至【检验变量列表】列表框中。 Step03：选择期望值 在【期望值】选项组中点选【Values】单选钮，以指定期望概率 值。接着在Values的文本框中分别输入0.8、0.05和0.15这三个 数值，并且单击【Add】按钮加以确定。 Step04：单击【确定】按钮，操作完成。
SPSS中非参数检验方法
1. 总体分布的卡方（Chi-square）检验 2. 二项分布检验 3. SPSS单样本变量的随机性检验 4. SPSS单样本的K-S检验 5. 两个独立样本的非参数检验 6. 多个独立样本的非参数检验 7. 两个配对样本的非参数检验 8. 多配对样本的非参数检验
本章主要介绍总体分布的卡方（Chi-square） 检验、二项分布（Binomial）检验、单样本K-S （ Kolmogorov-Smirnov ） 检 验 、 单 样 本 变 量 值 随机性检验（Runs Test）；两独立样本非参数 检验、多独立样本非参数检验、两配对样本非 参数检验、多配对样本非参数检验等8类常用的 非参数检验方法。
前面已经讨论的统计分析方法，对总体有特殊的要求，如T检 验要求总体符合正态分布；F检验要求误差呈正态分布，且各 组方差齐，等等。这些方法常用来估计或检验总体参数，统 称为参数检验。
现实中，许多调查或实验所得的科研数据，其总体分布未知 或无法确定。因为有的数据不是来自所假定分布的总体，或 者数据根本不是来自一个总体；还有可能数据因为某种原因 被严重污染。这样在假定分布的情况下进行推断的做法，就 有可能产生错误的结论。此时人们希望检验对一个总体分布 形状不必作限制。
人数 2 4 7 16 20 25 24 22 16 2 6 1
实现步骤
在菜单中选择“1-Sample K-S”命令
“One-Sample Kolmogorov-Smirnov Test”对话框
“One-Sample K-S：Options”对话框
4.3 结果和讨论
（1）本例输出结果如下表所示。
总体分布的卡方检验的数据是实际收集到 的样本数据，而非频数数据。
1.2 SPSS中实现过程
spss参数与非参数检验实验报告
(1).将一样本作为控制样本，另一样本作为实验样本。两样本混合后按升序排列；
(2).找出控制样本的跨度（最低秩和最高秩间的样品数）和截头跨度（去掉控制样本的最小值和最大值后的跨度）。若跨度（截头跨度）很小，认为样本存在极端反应。
以上四种检验的基本操作步骤：
(1)【Analyze】--->【Nonparametric Tests】--->【2 Independent Sample】
该检验可用来检验两个独立样本是否取自同一总体，它是最强的非参数检验之一。
基本思路：
1.将样本X和样本Y混合后作升序排列，计算每个数据的秩；
2.分别对两样本的秩求平均，得到两个平均秩，分别用W1=WX/m和W2=WY/n表示。
若W1和W2比较接近，则说明两个样本来自相同分布的总体，若W1和W2差异较大，则说明两个样本来自不同的总体。
(2)选择待检验变量到【Test Variable】框中
(3)指定存放样本标志值的变量到【Grouping Variable】框
(4)选择非参数检验方法
三、多个独立样本的非参数检验包括：中位数检验、Kruskal-Wallis H检验、Jonkheere-Terpstra检验
3.1中位数检验
（一）含义：通过对多组独立样本的分析，检验它们来自的总体的中位数是否存在显著差异。其原假设是：多个独立样本来自的多个总体的中位数无显著差异。
(2)选定待检验的变量到【Test Variable list】框中
(3)在【Cut Point】框中确定计算游程数的分界点
二、两个独立样本的非参数检验包括：Mann-Whitney U检验、K-S双样本检验、Wald-Wolfowitz游程检验、Moses极端反应检验
- 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)。
年龄（岁） 10~ 20~ 30~ 合计
治愈 35 32 15 82
有效 2
17 2
21
无效 3 2 18 23
合计 40 51 35
126
H0：各年龄组疗效构成相同 H1：各年龄组疗效构成不同或不全相同 α=0.05
Chi-Square T ests
V alue Pearson Chi-Square 49.449a
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。
Chi-Square Tests
V alue Pearson Chi-Square 4.125b
Continuity Correctioa n 3.466
Asymp. Sig. Exact Sig. Exact Sig.
d. 行×列表χ2检验的计算：
Analyze-Descriptive statistics-Crosstabs-chi square
当有一个格子的理论频数小于1，或有1/5以 上格子的理论频数小于5，先把理论频数小 于1或5的格子与相邻组合并，再计算。 合并数据：可以用recode
例：
根据碘酊局部注射126例地方性甲状腺肿患者的资料， 问各年龄组的疗效构成是否不同？
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
df 4
A symp. Sig. (2-sided) .000
Likelihood Ratio
46.123
4
.000
Linear -by -Linear A ssociation
23.036
1
.000
N of V alid Cases
126
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 5.83.
2 =49.45，P=0.000，P<0.05，拒绝H0，三个年龄组
疗效构成不同或不全相同。
三、 配对资料的χ2检验
a. 什么是配对资料 所有的实验对象都接受两种处理方法，
每种方法的实验结果都分成阳性和阴性， 这种形式的数据属于配对资料。
甲种
合计
乙种
+-
+
a
b
a+b
-
c
d
c+d
合计 a+c b+d a+b+c+d
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
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.
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
合计 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。
二、 行×列表的χ2检验
a. 什么是行×列表 整理表的行数多于2，或者列数多于2。 四格表是为了比较两个率（构成比）是 否相等；行×列表是为了比较三组或者 三组以上的率（构成比）是否相等。
b. 行×列表χ2检验的假设： H0：各组构成相同 H1：各组构成不同或不全相同
c. 行×列表的自由度： （行数-1) ×(列数-1）
目的是为了比较两种处理方法效果是否相同。 a和d是两种处理方法一致的观察对象个数。 b和c是两种处理方法不一致的观察对象个数。 配对χ2检验只检验b和c之间是否有差别。
b. 配对χ2检验的假设：
H0：B=C
H1：B≠C
c. 配对χ2检验的理论频数：
Eb
Ec
b
c 2
d. 配对χ2检验的计算：
Analyze-Nonparametric tests-2related samples
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
.267
.159
Linear- by-Linear A ssociation
2.333
1
.127
N of Valid Cases
25
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 1. 60.
练习二、 用两种方法检查乳腺癌患者120名，甲法检出率60%，乙法检出率 50%，两法检出都阳性的是35%，请问两种方法检出率是否有差别？
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）
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
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：
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。
卡方（χ2）检验
卡方检验是最基本的分类变量统计推 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
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。
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）
组 +/- Weight
1
1
a
2
1
b
1
2
c
2
2
d
甲法 1 1 2 2
乙法 1 2 1 2
Weight a b c d
小结：相对数假设检验的spss操作
Crosstabs --- Percentages --- Chi-square
Nonparametric tests --- 2 related samples
Test Statistics a,b
Chi-Square df
spvol 8.908 2
Asymp. Sig.
.012
a. Kruskal Wallis Test
b. Grouping Variable: fat
练习一、 为试验某止疼药物的效果，将178例患者随机分为两组，用药组90 人，对照组88人，试验结果见数据chi_ex，请根据此数据回答，此 药物止疼效果如何？
df
(2-sided) (2-sided) (1-sided)
1
.042
1
.063
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
Mann-Whitney U
Time (weeks) 43.000
Wilcoxon W
121.000
Z
-1.417
Asymp. Sig. (2-tailed)
.156
Exact Sig. [2*(1-tailed