SPSS进行卡方检验具体操作(三)
SPSS卡方检验具体操作
SPSS卡方检验具体操作SPSS（Statistical Package for the Social Sciences）是一种统计分析软件，它包含了许多常用的统计方法，包括卡方检验。
卡方检验是一种经典的假设检验方法，用于检验两个分类变量之间是否存在显著的关联性。
下面将介绍SPSS中进行卡方检验的具体操作步骤。
步骤一：导入数据在SPSS软件中，点击“文件（File）”菜单，然后选择“打开（Open）”选项，找到所需分析的数据文件，点击“打开”。
然后通过哪个方式导入数据，可以选择加载文本文件、Excel文件、数据库等不同的方式。
导入数据后，SPSS会将数据显示在主窗口的数据视图中。
步骤二：设置变量属性在进行卡方检验之前，需要设置变量的属性，告诉SPSS每个变量的测量尺度。
例如，在分析两个分类变量之间的关联性时，需要将这两个变量都设置为“标称（Nominal）”尺度。
步骤三：执行卡方检验在SPSS软件中，点击“分析（Analyse）”菜单，然后选择“描述统计（Descriptive Statistics）”选项，再选择“交叉表（Crosstabs）”。
在弹出的对话框中，将需要分析的两个变量分别选择到“行（Rows）”和“列（Columns）”框中。
然后点击“Statistics”按钮，选中“卡方（Chi-square）”复选框，然后点击“Continue”按钮。
最后，点击“OK”按钮，SPSS将进行卡方检验并生成结果报告。
步骤四：解读结果在SPSS生成的结果报告中，主要包括卡方检验统计量、自由度、卡方值、显著性水平以及卡方检验的判定结果等内容。
卡方检验统计量用于判断两个分类变量之间是否存在显著的关联性。
如果卡方值较大且显著性水平（p值）小于设定的显著性水平（通常为0.05），则说明两个变量之间存在显著的关联性。
如果卡方检验的判定结果为显著，可以进一步进行后续分析，如计算关联性指数（如Cramer's V或Phi系数）来了解两个变量之间的关联性程度。
(参考资料)SPSS卡方检验教程
（三）完全随机设计的多个样本率比较的假设检验
例6
患龋率
Pearson
P值
卡方值
（二）配对设计的两样本率比较的假设检验
例4 方法一 (SPSS菜单：Crosstabs)
交叉表
（二）配对设计的两样本率比较的假设检验
例4 方法一 (SPSS菜单：Crosstabs)
行 列
（二）配对设计的两样本率比较的假设检验
例4 方法一 (SPSS菜单：Crosstabs)
McNemar
（二）配对设计的两样本率比较的假设检验
实习五
分类变量资料的统计推断 第226～235页
一、率的抽样误差与标准误
（一）定义
在抽样研究中，由于抽样造成的样本率与总体率之间的 差异或者样本率之间的差异，称为率的抽样误差。
（二）计算：率的抽样误差大小用率的标准误来衡量。
σp =
π (1 − π )
n
一般情况下，由于我们研究的是样本，π未知，所以常用p 代替π ，得到率的标准误的估计值：
例4 方法一 (SPSS菜单：Crosstabs)
精确概率法
（二）配对设计的两样本率比较的假设检验
例4 方法二 （SPSS菜单：Nonparametric Tests）推荐
2个相关 样本
（二）配对设计的两样本率比较的假设检验
例4 方法二 （SPSS菜单：Nonparametric Tests）推荐
（一）完全随机设计的两样本率比较的假设检验
例2 见第544页计算分析题1。group:组别，1=新防护衣， 2=旧防护衣；effect:患病情况，1=患病，0=未患病；freq： 频数 。(SPSS软件操作步骤同例1)
卡方检验SPSS操作
卡方检验SPSS操作卡方检验是一种统计方法，用于比较观察频数与期望频数之间的差异是否显著。
它适用于比较两个或多个分类变量之间的关系，并确定这些变量是否相互独立。
在SPSS中，可以使用交叉表和卡方检验命令来执行卡方检验。
首先，打开SPSS软件并导入待分析的数据文件。
然后，选择“数据”菜单中的“交叉表”选项。
在弹出的交叉表对话框中，将要分析的变量拖拽到“行”和“列”的方框中。
假设我们要比较性别和喜好电影类型之间的关系，那么将性别拖拽到“行”，将电影类型拖拽到“列”。
接下来，在交叉表对话框中，点击“统计”按钮。
在弹出的统计对话框中，选择“卡方”选项，并点击“继续”按钮。
然后，点击“确定”按钮生成交叉表。
SPSS将显示交叉表的结果，包括观察频数、期望频数、卡方值和p值等。
在卡方检验中，我们通过观察频数和期望频数之间的差异来判断两个变量是否相关。
如果差异较大，卡方值较大，p值较小，则说明两个变量之间存在显著关系。
不管是使用交叉表还是描述统计方法进行卡方检验，都需要注意以下几点：1.样本数据应该是随机抽取的，并且足够大。
2.对于交叉表中的每个单元格，期望频数应当大于等于5，以确保卡方检验的可靠性。
3.卡方检验只能检验两个或多个分类变量之间的关系，不能用于比较连续变量。
4.如果卡方检验结果显著，表明两个变量之间存在关联，但不能确定关联的性质或因果关系。
卡方检验在数据分析中有着广泛的应用，可以用于医学研究、市场调查、社会科学等领域。
通过SPSS软件的操作，可以便捷地进行卡方检验，并获取检验结果。
卡方检验spss步骤
卡方检验spss步骤咱先来说说啥是卡方检验吧。
卡方检验就是一种统计方法，用来分析两个分类变量之间有没有关系。
比如说，你想知道男生和女生对某种颜色的喜好有没有差别呀，就可以用这个卡方检验。
那在SPSS里怎么做呢？一、数据准备你得先把数据都整理好。
就像你要去旅行，得先把行李收拾好一样。
数据得是那种每个观测值对应着不同变量的情况。
比如说你有一个变量是性别，男或者女，还有一个变量是对颜色的喜好，红、蓝、绿啥的。
这些数据要整整齐齐地放在SPSS的数据视图里。
如果数据乱七八糟的，那卡方检验可就没法好好做啦。
二、打开分析菜单在SPSS的界面里呢，你要找到“分析”这个菜单。
这个菜单就像是一个装满了各种工具的魔法盒子，卡方检验这个小魔法就在里面呢。
你轻轻一点这个“分析”菜单，就会看到好多选项冒出来。
三、选择描述统计里的交叉表在这个分析菜单里，有个叫“描述统计”的部分，在那里你能找到“交叉表”这个选项。
这就像是在一堆糖果里找到你最爱的那一颗一样。
点了“交叉表”之后，会弹出一个新的窗口。
四、设置变量在这个新窗口里呀，你要把你的两个分类变量分别放到行和列里面。
比如说，你把性别放到行里，把颜色喜好放到列里。
这就像是给每个小玩具找到它该待的小格子一样。
这个步骤很重要哦，要是放错了地方，结果可就不对啦。
五、点击统计量按钮在这个交叉表的窗口里，你能看到一个叫“统计量”的按钮。
点这个按钮就像是打开一个神秘的小盒子，里面藏着卡方检验这个宝贝呢。
在统计量的选项里，你要找到“卡方”这个选项，然后把它勾上。
就像你在菜单里点了你最爱吃的菜一样。
六、确定并查看结果勾好卡方检验之后呢，你就可以点“确定”按钮啦。
然后SPSS 就会像个勤劳的小蜜蜂一样，开始计算结果。
结果出来之后呢，你要看一个叫“卡方检验”的表格。
这个表格里会告诉你卡方值、自由度还有显著性水平这些东西。
如果显著性水平小于0.05，那就说明这两个分类变量之间是有关系的哦。
如果大于0.05呢，那可能就没什么关系啦。
SPSS卡方检验
• 结果3：OR的均一性检验,用两种方法比较 性别之间OR是否存在差异（p=0.001）。 说明男性高于女性
• 结果4：又称协变量分析，将性别当做协变 量，即剔除性别这个影响后吸烟与肺癌的 关系。结果显示在剔除性别影响后，吸烟 和肺癌仍然显著相关，即吸烟史导致肺癌 的危险因素。
• 结果5：又称公共OR值估计，合并OR值为2.812，95%置 信区间不包括1，且与1相比差异有显著性（p=0.000） • 注意：经OR值均一性检验各层OR值有显著差异时，不宜 计算公共OR值
关于OR值
• Odds Ratio:相对危险度（也称比值比、优 势比） • 指病例组中暴露人数与非暴露人数的比值 除以对照组中暴露人数与非暴露人数的比 值。 • 涵义：暴露者的疾病危险度为非暴露者的 多少倍。OR>1说明疾病的危险度因暴露而 增加，暴露与疾病为“正”关联。OR<1说 明疾病的危险度因暴露而减少，“负”关 联
• 1.相关性：计算Pearson和 Spearsmen相关系数，用以 说明行变量和列变量的相关 程度。 • 2相依系数：又称列联系数。 也是用来说明相关性。 • 3.Gamma :测量两个等级变 量之间关联度的统计量 • 4.Kappa：Kappa系数，见 下文
• • • •
观察值：观察频数 期望值：期望频数 行百分比：给出行变量百分比 列百分比：给出列变量百分比
（4）结果解释：
Pearson 卡方：非校正卡方检验 连续校正：仅适用于四格表
Fisher 的精确检验：Fisher确切概率检验，也仅 适用于四格表资料 似然比：似然比卡方检验，适用
R C表资料
线性和线性组合：线性相关性检验，两变量均为 等级变量，且从小到大排列时方有意义，其他 情况忽略
配对卡方检验spss步骤
配对卡方检验spss步骤配对卡方检验SPSS步骤引言：配对卡方检验是一种常用的统计方法，用于比较两个相关变量之间的关系是否显著。
在SPSS软件中进行配对卡方检验非常方便，本文将详细介绍使用SPSS进行配对卡方检验的步骤。
步骤一：准备数据在进行配对卡方检验之前，首先需要准备数据。
假设我们有两个相关的分类变量X和Y，且每个变量都有两个或多个水平（例如，男性和女性）。
确保数据已经输入到SPSS，每个变量拥有自己的列。
步骤二：导入数据到SPSS打开SPSS软件并选择“文件”选项，然后选择“打开”命令来导入数据文件。
确保选择正确的文件路径，并选择数据文件。
在弹出窗口中选择适当的选项，然后点击“确定”按钮将数据导入到SPSS 软件中。
步骤三：选择配对卡方检验在SPSS软件中，选择“分析”选项，并从下拉菜单中选择“非参数检验”，然后选择“配对样本”和“卡方检验”选项。
步骤四：设定变量在弹出的“配对样本卡方检验”对话框中，将需要进行配对卡方检验的变量移动到“变量对”框中。
确保变量的顺序与数据文件中的顺序一致。
步骤五：设定统计量在同一对话框中，选择“卡方相关系数”以计算配对变量之间的关系强度。
选择“精确度”选项以获取更加精确的结果。
如果选择“对称测验”，则将计算渐近P值，并且结果会更快。
步骤六：运行配对卡方检验点击对话框底部的“确定”按钮来运行配对卡方检验。
SPSS将计算卡方统计量和与之相关的P值。
结果将以表格形式呈现在输出窗口中。
步骤七：解读结果配对卡方检验的结果将显示在输出窗口中的“卡方相关系数”表格中。
首先，关注卡方值（χ^2）的大小。
如果卡方值较大，则意味着两个变量之间的关系较强。
其次，观察P值。
如果P值小于事先设定的显著性水平（通常为0.05），则可以拒绝无关假设，即认为两个变量之间的关系是显著的。
步骤八：结果报告在结果报告中，应包括所进行的配对卡方检验的变量名称、样本数量、卡方值、自由度和P值。
此外，还应说明结果对研究问题的意义和解释。
SPSS卡方检验具体操作
18
88
7
95
25
183
四、分层卡方检验：数据输入
四、分层卡方检验：指定频数变量
四、分层卡方检验：按某一变量分层
四、分层卡方检验：统计方法选择
四、分层卡方检验：结果解读（一）
四、分层卡方检验：结果解读（二）
四、分层卡方检验：结果解读（三）
结束语
行列表卡方检验要求理论频数不宜太小， 否则就会导致分析的偏倚。
做出矽肺分级诊断，结果如下表，请问他
们的诊断结果是否基本一致，诊断水平有
无差别。
医生乙诊断结果
Ⅰ级 Ⅱ级 Ⅲ级 合计
医
Ⅰ级
生
甲
Ⅱ级
诊
断
Ⅲ级
结
果
合计
32
15
0
47
1
54
12
67
0
7
45
52
33
76
57
166
三、配对卡方检验：数据输入
三、配对卡方检验：指定频数
三、配对卡方检验：进行配对卡方检验
三、配对卡方检验：统计方法选择
标量，对总体统计指标量进行估计。
假设检验：又称显著性检验，是指由样本间存在的差别对
样本所代表的总体间是否存在着差别做出判断。
定性资料的假设检验：行×列表卡方检验
基本思想：检验实际频数和理论频数的差别是否由抽样误 差引起，也就是由样本率或样本构成比来推断总体率或总 体构成比。
行×列表的简单形式是：四格表；当行和或列大于2时， 统称行×列表，或R×C表。
卡检验的基本公式： 2
=
AT
2
T
A：表示实际频数，即实际观察到的例数。T：理论频数，即如果假
spss卡方检验
spss卡方检验SPSS卡方检验SPSS（统计软件包 for the Social Sciences）是一种功能强大的统计软件，在社会科学、商业智能和市场调研等领域得到广泛应用。
其中，卡方检验是SPSS中常用的统计方法之一。
本文将介绍SPSS 中使用卡方检验进行数据分析的基本步骤、原理和注意事项。
一、卡方检验的基本概念卡方检验，又称为卡方拟合优度检验，用于比较观察样本与理论预期分布之间的差异。
它基于卡方统计量，可以用于分析分类数据的关联性和独立性。
卡方检验的结果可以帮助研究人员判断观察数据与理论模型之间的差异程度以及独立性。
二、SPSS中进行卡方检验的步骤1. 收集数据并导入到SPSS中。
2. 在SPSS中选择“分析”菜单，点击“描述统计”下的“交叉表”。
3. 在交叉表对话框中，选择需要比较的两个变量。
4. 点击“统计”按钮，选择“卡方”选项。
5. 点击“继续”按钮，然后点击“OK”按钮生成交叉表结果。
三、SPSS卡方检验的原理SPSS中的卡方检验基于卡方统计量，该统计量用于衡量观察值与理论期望值之间的差异。
卡方统计量的计算公式如下：\\[ X^2 = \\sum \\frac{(O-E)^2}{E} \\]其中，O表示观察值，E表示理论期望值。
卡方统计量服从自由度为(k-1) × (m-1)的卡方分布，其中k表示列数，m表示行数。
通过计算卡方统计量，可以得到卡方值和P值。
如果P值小于设定的显著性水平（通常为0.05），则认为观察值与理论期望值存在显著差异，拒绝原假设。
四、卡方检验的应用场景卡方检验通常用于以下几种情况：1. 检验分类变量之间的关联性。
例如，研究某一地区的居民性别与吸烟习惯之间的关系。
2. 检验分类变量与某一特定属性的关联性。
例如，研究某个产品的用户满意度与不同年龄段之间的关系。
3. 检验分类变量的分布是否服从某一特定的理论分布。
例如，研究某一地区的选民支持率是否符合某个政党的预期。
SPSS知识6：卡方检验（无序变量）
SPSS知识6：卡方检验（无序变量）卡方检验定义：卡方检验用作分类计数的假设检验方法：检验两个或多个样本率或构成比之间的差别是否有统计学意义→从而推断两个或多个总体率或构成比之间的差别是否有统计学意义。
一、行*列卡方检验（只需要判断最小理论频数即可）SPSS操作：第一步：建立数据文件（group：横标目，type：纵标目-无序变量，f→共3列数据）；第二步：对频数f加权（weight cases）；第三步：卡方分析（analyze→descriptive statistics →crosstabs→横标目group调入rows，纵标目types调入columns→点击statistics…→激活Chi-square→continue→点击cells…→激活row行百分数→continue→OK）；第四步：判断结果（结果有2个图表，根据最小理论频数与5的比较和总例数与40的比较，判断是选用pearson Chi-square还是其他指标，读取对应P值，若P＜0.05，则有差异，需要利用行*列分割进行22比较，检验水准也需要变化，因为扩大了第一类错误）。
第五步：两两比较（对group横标目设不同的missing value值后进行行*列分割计算。
）Missing value→重复analyze操作。
二、四格表卡方检验（要根据N和T判断选用四格表卡方专用公式、校正公式、确切概率法？）SPSS操作：第一步：建立数据文件（group：横标目，effect：纵标目-无序变量，f，频数→共计3列数据）；第二步：对频数加权（weight cases）；第三步：卡方分析（analyze→descriptive statistics →crosstabs→group调入rows，effect调入columns →点击statistics…→激活chi-square→continue→点击cells…→激活rows 百分数→continue→OK）；第四步：判断结果（根据N和T判断选用公式→判断P值）。
卡方检验的SPSS实现
卡方检验的SPSS实现简介卡方检验是一种统计方法，用于检验两个或多个分类变量之间是否存在相关性。
它基于观察值与期望值之间的差异，判断两个变量是否独立。
SPSS是一款常用的统计分析软件，提供了强大的功能来执行卡方检验以及其他统计分析任务。
本文将介绍如何使用SPSS进行卡方检验，并提供详细的步骤和示例。
步骤步骤一：导入数据在SPSS软件中，首先需要导入包含要进行卡方检验的数据集。
数据集可以是以.csv、.xlsx或者其他常用格式保存的文件。
1.打开SPSS软件。
2.选择“文件”菜单，然后点击“打开”选项。
3.在弹出的文件选择框中，找到并选择要导入的数据文件。
4.点击“打开”按钮，导入数据文件。
步骤二：选择变量在执行卡方检验之前，需要选择要分析的变量。
1.在SPSS软件中，选择“数据视图”选项卡，显示数据集的表格视图。
2.找到包含要分析的变量的列，将其选中。
可以按住Ctrl键选择多个变量。
3.点击菜单中的“分析”选项，然后选择“描述统计”子菜单。
4.在弹出的描述统计对话框中，选择“交叉表”选项，然后点击“统计量”按钮。
5.在统计量对话框中，选中“卡方”复选框，然后点击“确定”按钮。
步骤三：执行卡方检验选择变量之后，可以执行卡方检验。
1.在描述统计对话框中，点击“OK”按钮，开始执行卡方检验。
2.SPSS将生成一个交叉表，显示各个变量之间的交叉频数和期望频数。
3.检查交叉表中的卡方值和p值。
卡方值表示观察值与期望值之间的差异程度，p值表示该差异是否显著。
4.如果p值小于设定的显著性水平（通常为0.05），则拒绝原假设，即认为两个变量之间存在相关性。
步骤四：解读结果根据执行卡方检验的结果，可以得出一些结论。
1.如果卡方值较小，且p值较大，说明观察值与期望值之间的差异较小，两个变量之间可能独立。
2.如果卡方值较大，且p值较小，说明观察值与期望值之间的差异较大，存在一定程度的相关性。
需要注意的是，卡方检验只能判断两个变量之间是否存在相关性，不能说明变量之间的因果关系。
- 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)。
6.7%
93.3% 100.0%
ቤተ መጻሕፍቲ ባይዱ
小
医 药 Count
4
12
16
于
Expected Count
2.1
13.9
16.0
% within trial
25.0%
75.0% 100.0%
5
T o ta l
Count
6
40
46
Expected Count
6.0
40.0
46.0
% within trial
13.0%
3、行x列 2
AnalyzeDescriptive Statistics -Crosstabs
结果解读
AREA * BLOOD Crosstabulation
A REA Total
亚洲 欧洲 北美 洲
C o un t Expected Count % within AREA C o un t Expected Count % within AREA C o un t Expected Count % within AREA C o un t Expected Count % within AREA
A 321
411.3 29.7%
258 196.9 49.9%
408 378.9 41.0%
987 987.0 38.1%
BLOO D
B
AB
369
95
215.8
64.2
34.2%
8.8%
43
22
103.3
30.7
8.3%
4.3%
106
37
198.8
59.1
10.7%
3.7%
518
154
518.0
154.0
甲 法 * 乙 法 Cross tabulation
Count Expected Count % within 甲 法 Count Expected Count % within 甲 法 Count Expected Count % within 甲 法
乙法
阴性 15
阳性 11
8.3
17.7
57.7%
亚洲 北美 洲
C o un t Expected Count % within AREA C o un t Expected Count % within AREA C o un t Expected Count % within AREA
结果解读
Chi-Squar e Tests
Pear son Chi-Square
Value 151.574a
df 3
Asy mp. Sig. (2-sided) .000
Lik elihood Ratio
169.624
3
.000
Linear -by -Linear A sso ciation
.416
T
2 (26 21.3)2 (178 182.7)2 (2 6.7)2 (62 57.3)2
21.3
182.7
6.7
57.3
4.82
v (2 1)(2 1) 1
查表χ2 > χ20.05,1 =3.84，P<0.05
四格表卡方检验－专用公式
(1)若n 40，最小理论频数T 5时，
BLOO D
B
AB
369
95
278.6
79.1
34.2%
8.8%
43
22
133.4
37.9
8.3%
4.3%
412
117
412.0
117.0
25.8%
7.3%
O 295
330.7 27.3%
194 158.3 37.5%
489 489.0 30.6%
Total 1080
1080.0 100.0%
517 517.0 100.0% 1597 1597.0 100.0%
20.0%
5.9%
O 295
388.8 27.3%
194 186.1 37.5%
444 358.2 44.6%
933 933.0 36.0%
Total 1080
1080.0 100.0%
517 517.0 100.0%
995 995.0 100.0% 2592 2592.0 100.0%
Chi-Squar e Tests
Pear son Chi-Square
Value 297.375a
df 6
Asy mp. Sig. (2-sided) .000
Lik elihood Ratio
297.233
6
.000
Linear -by -Linear A sso ciation
9.788
1
.002
N of Valid Cases
甲法
乙法
+
-
合计
+
25
2
27
-
11
15
26
合计
36
27
53
11＋2<40，使用校正公式计算卡方统计量
步骤
➢ 第1步：建立数据库 ➢ 第2步：对数据加权 ➢ 第3步：四格表卡方检验
1、建立数据库
设立三个变量：jia、yi、weight jia代表甲法：+赋值为1，-赋值为0 yi代表乙法：+赋值为1，-赋值为0 Weight代表例数
N of Valid Cases
53
a. Binomial distribution used.
三：独立样本R C
行乘列表资料的 2 检验，用于多个样本率的比较、两个 或多个构成比的比较、以及双向无序分类资料的关联性 检验。
2 (A T)2 或
T
2 n( A2 1)
1、建立数据库
设立三个变量 ➢ trial：甲组赋值为1，乙组赋值为2 ➢ effect：有效赋值为1，无效赋值为0 ➢ weight
2、对数据加权
3、四格表卡方检验
结果的解读
trial * effect
Case Processing Summary
Va li d
N
Percent
46 100.0%
nRnC
实验3 某研究人员收集了亚洲、欧洲和北美 洲人的A、B、AB、O血型资料，结果见表8-1所 示，其目的是研究不同地区的人群血型分类构 成比是否一样。
表3 三个不同地区血型样本的频数分布
地区 A
B
AB
o
亚洲 321 369 95
295
欧洲 258 43
22
194
北美洲 408 106 37
C o un t Expected Count % within AREA C o un t Expected Count % within AREA C o un t Expected Count % within AREA
A 321
391.6 29.7%
258 187.4 49.9%
579 579.0 36.3%
Likelihood Ratio
2.933
1
.087
Fisher's Exact Test
.163
.099
L i ne a r-b y-L i ne a r
Asso ci a ti on
3.025
1
.082
N of Valid Cases
46
a. Computed only for a 2x2 table
1
.519
N of Valid Cases
1597
a. 0 cells (.0%) hav e expected count less than 5. The minimum expected count is 37.88.
AREA * BLOOD Crosstabulation
A REA Total
检验统计量 2 值反映了实际频数与理
论频数的吻合程度。
若检验假设H0:π1=π2成立，实际频数A 与理论 频数T 相差不应该很大，即统计量卡方值不应该很大。
如果 2值很大，当前检验统计量 2 >χ2α,ν，即出现小
概率事件（P<α）,于是拒绝H0。反之，则不拒绝H0
一、四格表卡方检验
表1 两种疗法的心血管病病死率的比较
疗法
死亡
生存
合计
盐酸苯乙双胍 26 (a)
178 (b) 204(a+b)
安慰剂
2 (c)
62 (d) 64(c+d)
合计
28(a+c.) 240(b+d.) 268(a+b+c+d=n)
病死率(%) 12.75 3.13 10.45
总的病死率
2 ( A T )2 , (R 1)(C 1)
甲种属性
+ 合计
乙种属性
+
-
a
b
c
d
a+c
b+d
合计
a+b c+d N=a+b+c+d
甲乙的阳性率之差：
(a+b)/n-(a+c)/n=(b-c)/n
因此，在比较两种属性的阳性率有无差异时a和d不 起作用。
H0:b=c ,即b，c代表的总体相等， b，c对应的理论 频数均为（b+c)/2
统计量： McNemar’s 检验