非参数检验(卡方检验) 实验报告
spss参与非参检验实验报告参考模板
第五章 参数检验❶单样本t 检验：（5.2）分析六级考试成绩一般平均得分是否为75；1.录入数据，全部学生的六级考试成绩显而易见服从正态分布，可用Q-Q 图，或非参检验对所抽取的样本进行正态性检验，之后进行单样本t 检验。
2.选择菜单：Analyze---Compare Means---One-Sample T Test ，再出现的窗口中，选择“六级考试成绩”到【Test Variable 】框中，在【Test Vaule 】框中输入检验值75。
单击“OK ”度10，第四列为检验p 值0.668，第五列为样本均值与检验值的差，第六列和第七列为总体均值与原假设值差的95%的置信区间，为（-7.69,5.14）。
若取显著性水平α为0.05，则p 大于α，因此应该接受原假设，认为六级考试成绩一般平均得分为75分。
95%的置信区间告诉我们有95%的把握认为六级考试成绩的均值在67.31~85.14之间。
❷两独立样本t 检验（5.3）分析有促销和无促销情况下商品的日销售额是否存在显著变化；1.录入数据，有促销和无促销情况下的日销售额可以看成两个独立总体，且日销售额可近似认为服从正态分布，可用Q-Q 图或非参检验对其正态性检验。
在以上前提下，进而可对不同情况下的日销售额进行两独立样本t 检验。
2.选择菜单：Analyze---Compare Means---Independent-Samples T Test，再出现的窗口中，选择“日销售额”到【Test Variable 】框中，选择“type ”到【Grouping Variable 】框中，按【Define Groups 】按钮定义两总体的标识值，分别在Group1与Group2中输入1,23.如上表Independent Sample Test 所示，结论分析为两步:第一步，方差齐性检验。
F 统计量的观测值为0.225，对应的p 值为0.638，若取显著性水平α为0.05，则p 大于α，可以认为两总体的方差相等。
卡方拟合度检验实验报告
一、实验背景在统计学中，卡方拟合度检验（Chi-Square Goodness-of-Fit Test）是一种常用的假设检验方法，用于检验样本数据是否与某个已知的概率分布相吻合。
本实验旨在通过卡方拟合度检验，验证某组数据是否符合某一理论分布。
二、实验目的1. 掌握卡方拟合度检验的基本原理和方法。
2. 熟悉SPSS软件在卡方拟合度检验中的应用。
3. 通过实际案例，验证样本数据是否符合某一理论分布。
三、实验材料1. SPSS软件2. 已知的概率分布3. 实验数据四、实验步骤1. 数据收集与整理首先，收集一组实验数据。
本实验数据来源于某市一周内每天的气温记录，共有7天的数据，共计35个观测值。
2. 建立假设假设样本数据符合正态分布。
3. 数据输入与整理将收集到的实验数据输入SPSS软件，并对数据进行整理，确保数据格式正确。
4. 进行卡方拟合度检验（1）打开SPSS软件，选择“分析”菜单下的“描述统计”，再选择“频率”命令，输入变量名，点击“确定”。
（2）在弹出的对话框中，勾选“图表”选项，选择“直方图”，点击“继续”。
（3）在“图表选项”对话框中，勾选“正态图”，点击“继续”。
（4）在“正态图选项”对话框中，选择“概率单位”，点击“继续”。
（5）返回主对话框，点击“确定”，生成正态图。
（6）观察正态图，判断样本数据是否符合正态分布。
5. 结果分析根据正态图，可以直观地判断样本数据是否符合正态分布。
如果样本数据符合正态分布，则继续进行卡方拟合度检验。
（1）选择“分析”菜单下的“非参数检验”，再选择“卡方检验”，点击“拟合优度”。
（2）在弹出的对话框中，选择“样本”作为检验类型，将变量名输入到“变量”列表中。
（3）在“检验分布”下拉菜单中选择“正态分布”，点击“确定”。
（4）在弹出的对话框中，输入显著性水平（如0.05），点击“确定”。
6. 判断结果根据卡方检验的结果，如果P值大于显著性水平（如0.05），则接受原假设，即样本数据符合正态分布；如果P值小于显著性水平，则拒绝原假设，即样本数据不符合正态分布。
非参数检验（卡方检验）,实验报告
非参数检验（卡方检验）,实验报告评分大理大学实验报告课程名称生物医学统计分析实验名称非参数检验(卡方检验)专业班级姓名学号实验日期实验地点2015—2016 学年度第学期一、实验目得对分类资料进行卡方检验。
二、实验环境1、硬件配置:处理器:Intel(R)Core(TM)i5-4210U CPU 1、7GHz 1、7GHz 安装内存(RAM):4、00GB系统类型:64 位操作系统 2、软件环境:IBM SPSS Statistics 19、0 软件三、实验内容(包括本实验要完成得实验问题及需要得相关知识简单概述)（1）课本第六章得例 6、1-6、5 运行一遍,注意理解结果;（2）然后将实验指导书得例 1-4 运行一遍,注意理解结果。
四、实验结果与分析(包括实验原理、数据得准备、运行过程分析、源程序(代码)、图形图象界面等)例例 6、1 表 1 灭螨A A 与灭螨B B 杀灭大蜂螨效果得交叉制表效果合计杀灭未杀灭组别灭螨A 32 12 44 灭螨B 14 22 36 合计 46 34 80 分析: 表1就是灭螨A与灭螨B杀灭大蜂螨效果得样本分类得频数分析表,即交叉列联表。
表 2 卡方检验X2 值df 渐进Sig、(双侧)精确Sig、(双侧)精确Sig、(单侧)Pearson 卡方 9、277a1、002连续校正b7、944 1、005似然比 9、419 1、002Fisher 得精确检验、003、002 有效案例中得 N 80a、0 单元格(、0%)得期望计数少于5。
最小期望计数为15、30。
b、仅对 2x2 表计算分析: 表2就是卡方检验得结果。
因为两组各自得结果互不影响,即相互独立。
对于这种频数表格式资料,在卡方检验之前必须用“加权个案”命令将频数变量定义为加权变量,才能进行卡方检验。
Pearson 卡方:皮尔逊卡方检验计算得卡方值(用于样本数n≥40且所有理论数E≥5);连续校正b : 连续性校正卡方值(df=1,只用于2*2列联表);似然比:对数似然比法计算得卡方值(类似皮尔逊卡方检验);Fisher 得精确检验:精确概率法计算得卡方值(用于理论数E<5)。
实验报告卡方检验
实验报告卡方检验1. 引言卡方检验是一种用于判断变量之间是否存在关联性的统计方法。
它可以用于比较观察频数和期望频数之间的差异，并通过计算卡方统计量来判断这种差异是否显著。
本实验旨在介绍卡方检验的基本原理和应用方法，并通过一个具体案例来演示其使用过程。
2. 原理卡方检验是基于卡方统计量进行判断的。
卡方统计量的计算公式如下：X^2 = \sum \frac{(O - E)^2}{E}其中，O 表示观察频数，E 表示期望频数。
卡方统计量的值越大，说明观察频数和期望频数之间的差异越大，即变量之间的关联性越强。
卡方检验的步骤如下：1. 建立假设：设H_0为原假设，H_1为备择假设。
H_0 假设不存在变量间的关联性，H_1 假设存在变量间的关联性。
2. 计算观察频数和期望频数：根据给定的数据计算得到观察频数和期望频数。
3. 计算卡方统计量：根据卡方统计量的计算公式，计算得到卡方统计量的值。
4. 设置显著性水平：根据实验需求和数据量，设置显著性水平，通常取0.05或0.01。
5. 判断显著性：根据卡方统计量的值和显著性水平，判断是否拒绝原假设。
如果卡方统计量的值大于显著性水平对应的临界值，则拒绝原假设；否则，接受原假设。
3. 案例演示假设有一张表格，记录了200名学生在选课时选择了哪个学科，包括科学、文学和艺术。
下面是观察频数的数据：科学文学艺术男生数60 40 30女生数45 25 0现在我们要判断学生的性别和选课学科之间是否存在关联性。
3.1. 建立假设原假设H_0: 学生的性别和选课学科之间不存在关联性。
备择假设H_1: 学生的性别和选课学科之间存在关联性。
3.2. 计算观察频数和期望频数首先，我们需要计算每个单元格的期望频数。
期望频数的计算公式如下：E = \frac{(\text{对应行的总计数}) \times (\text{对应列的总计数})}{\text{总样本数}}根据以上公式，我们可以得到下表的期望频数：科学文学艺术-男生数55.71 34.29 40女生数49.29 30.71 353.3. 计算卡方统计量根据卡方统计量的计算公式，我们可以得到卡方统计量的值：X^2 = \frac{(60-55.71)^2}{55.71} + \frac{(40-34.29)^2}{34.29} +\frac{(30-40)^2}{40} + \frac{(45-49.29)^2}{49.29} +\frac{(25-30.71)^2}{30.71} + \frac{(0-35)^2}{35} = 7.1193.4. 设置显著性水平根据实验需求和数据量，我们设置显著性水平为0.05。
spss实验报告——非参数检验
实验报告——（非参数检验）实验目的：1、学会使用SPSS软件进行非参数检验。
2、熟悉非参数检验的概念及适用范围，掌握常见的秩和检验计算方法。
实验内容：1、某公司准备推出一个新产品，但产品名称还没有正式确定，决定进行抽样调查，在受访200人中，52人喜欢A名称，61人喜欢B名称，87人喜欢C 名称，请问ABC三种名称受欢迎的程度有无差别？(数据表自建)SPSS计算结果如下：此题为总体分布的卡方检验。
零假设：样本来自总体分布形态和期望分布没有显著差异。
即ABC三种名称受欢迎的程度无差别,分布形态为1：1：1，呈均匀分布。
观察结果，上表为200个观察数据对A、B、C三个名称（分别对应1，2，3）的喜爱的期望频数以及实际观察频数和期望频数的差。
从下表中可以看出相伴概率值为0.007小于显著性水平0.05，因此拒绝零假设，认为样本来自的总体分布与制定的期望分布有显著差异，即A、B、C三种名称受欢迎的程度有差异。
2、某村庄发生了一起集体食物中毒事件，经过调查，发现当地居民是直接饮用河水，研究者怀疑是河水污染所致，县按照可疑污染源的大致范围调查了沿河居民的中毒情况，河边33户有成员中毒（+）和均未中毒（-）的家庭分布如下：（案例数据run.sav）-+++*++++-+++-+++++----++----+----毒源问：中毒与饮水是否有关？SPSS计算结果如下：此题为单样本变量值随机检验零假设：总体某变量的变量值是随机出现的。
即中毒的家庭沿河分布的情况随机分布，与饮水无关。
相伴概率为0.036，小于显著性水平0.05，拒绝零假设，因此中毒与饮水有关。
3、某试验室用小白鼠观察某种抗癌新药的疗效，两组各10只小白鼠，以生存日数作为观察指标，试验结果如下，案例数据集为：npara1.sav，问两组小白鼠生存日数有无差别。
试验组：24 26 27 30 32 34 36 40 60 天以上对照组：4 6 7 9 10 10 12 13 16 16SPSS计算结果如下：此题为两独立样本非参数检验。
实验报告卡方检验
实验报告卡方检验实验报告：卡方检验1.实验目的本实验旨在通过卡方检验方法，验证两个或多个分类变量之间是否存在显著的关联性。
通过运用卡方检验方法，可以对观察数据与预期数据之间的差异进行分析，进一步判断所研究的因素是否具有统计学上的显著性差异。
2.实验步骤2.1设定假设：零假设（H0）：两个或多个分类变量之间不存在显著的关联性。
备择假设（H1）：两个或多个分类变量之间存在显著的关联性。
2.2收集数据：根据研究问题的要求，收集并整理相关的实验数据。
2.3计算期望频数：根据总体比例和样本容量，计算预期频数，以便与观察频数进行对比。
2.4计算卡方值：根据公式进行卡方值的计算，公式为：χ²=∑(Oi-Ei)²/Ei，其中Oi为观察频数，Ei为期望频数。
2.5设置显著性水平：根据研究问题的需求，设定显著性水平α，通常为0.05或0.012.6查卡方检验表：在给定的显著性水平下，查找卡方分布表中的临界值。
2.7判断结果：判断计算得到的卡方值是否大于临界值，若卡方值大于临界值，则拒绝零假设，即认为两个或多个分类变量之间存在显著的关联性。
3.实验结果与分析在我们的研究中，我们选择了两个单一的分类变量作为案例进行卡方检验。
我们的研究问题是：“在社区中，男性和女性是否对该社区的环境质量有着不同的看法？”我们统计了500名男性和500名女性对该社区环境质量的看法，并整理了以下数据（表格1）。
表格1：男性和女性对社区环境质量的看法------------------------------------，好，一般-----------------------------------男性，350，100，5------------------------------------女性，100，200，20------------------------------------我们首先计算了期望频数，以便进行卡方值的计算。
非参数统计实验(全)新
第四章 非参数统计实验参数统计学中的许多统计分析方法的应用对总体都有严格的假定，例如，t 检验要求总体服从正态分布，F 检验要求误差呈正态分布且各组方差为齐性的等等，然而在现实生活中，有许多总体的分布我们却是一无所知或知之甚少，所以在参数模型中所建立的统计推断就会失效，于是，人们希望在不假定总体分布的情况下，尽量从数据本身来获得所需要的信息。
这就是非参数统计的宗旨。
非参数统计方法简便，适用性强，但检验效率较低，应用时应加以考虑。
实验一 卡方检验（Chi-square test ）实验目的：掌握卡方检验方法。
实验内容：一、2χ拟合优度检验 二、2χ独立性检验 三、2χ齐性检验 实验工具：SPSS 非参数统计分析菜单项和Crosstabs 菜单项。
知识准备：一、卡方拟合优度检验2χ检验(Chi —Square Test) 适用于拟合优度检验，适用于定类变量的检验问题，用来检验实际观察数目与理论期望数目是否有显著差异。
当检验问题是实际分布是否与理论分布相符合时，在大样本时也可以用分类数据的卡方检验来解决，这时的卡方检验也称为分布拟合的卡方检验。
若样本分为k 类，每类实际观察频数为k f f f ,,,21 ，与其相对应的期望频数为ke e e ,,,21 ，则检验统计量2χ可以测度观察频数与期望频数之间的差异。
其计算公式为：∑∑-=-==期望频数期望频数实际频数2122)()(ki ii i e e f χ很显然，实际频数与望频数越接近，2χ值就越小，若2χ＝0，则上式中分子的每—项都必须是0，这意味着k 类中每一类观察频数与期望频数完全一样，即完全拟合。
2χ统计量可以用来测度实际观察频数与期望频数之间的拟合程度。
在H 0成立的条件下，样本容量n 充分大时，2χ统计量近似地服从自由度df ＝k-1的2χ分布，因而，可以根据给定的显著性水平α，在临界值表中查到相应的临界值)1(2-k αχ。
若)1(22-≥k αχχ，则拒绝H 0，否则不能拒绝H 0。
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)。
大理大学实验报告
课程名称生物医学统计分析
实验名称非参数检验（卡方检验）
专业班级
姓名
学号
实验日期
实验地点
2015—2016学年度第2学期
一、实验目的
对分类资料进行卡方检验。
二、实验环境
1、硬件配置：处理器：Intel（R）Core(TM) i5-4210U CPU @1.7GHz 1.7GHz安装内存（RAM）：4.00GB系统类型：64位操作系统
表11对称度量
值
渐进标准误差a
近似值Tb
近似值Sig.
一致性度量
Kappa
.680
.140
3.798
.000
有效案例中的N
28
a.不假定零假设。
b.使用渐进标准误差假定零假设。
分析：表11为LPA和FA两种检测结果的的一致性检验。Kappa值是内部一致性系数，除数据P值判断一致性有无统计学意义外，根据经验，Kappa≥0.75，表明两者一致性较好0.7>Kappa≥0.4，表明一致性一般，Kappa<0.4，则表明一致性较差。
例6.1
表1灭螨A和灭螨B杀灭大蜂螨效果的交叉制表
效果
合计
杀灭
未杀灭
组别
灭螨A
32
12
44
灭螨B
14
22
36
合计
46
34
80
分析：表1是灭螨A和灭螨B杀灭大蜂螨效果的样本分类的频数分析表，即交叉列联表。
表2卡方检验
X2值
df
渐进Sig. (双侧)
精确Sig.(双侧)
精确Sig.(单侧)
Pearson卡方
例6.5
表9LPA* FA交叉制表
FA
合计
1
2
LPA
1
17
0
17
2
4
7
11
合计
21
7
28
分析：表9是LPA* FA资料分析的列联表。
表10配对卡方检验
值
精确Sig.(双侧)
McNemar检验
.125a
有效案例中的N
28
a.使用的二项式分布。
分析：表10是LPA和FA两种检测方法的配对卡方检验。由于b+c<40,SPSS选用二项分布的直接计算概率法（相当于进行了精确校正），计算该配对资料的检验的精确双侧概率，并且不能给出卡方值。本例P=0.125>0.05，差异不显著，即LPA法和FA法对番鸭细小病毒抗原的检出率差异不显著。
例6.1为2*2列联表，df=1，须用连续性校正公式，故采用“连续校正”行的统计结果。
X2=7.944，P（Sig）=0.005<0.01，表明灭螨剂A组的杀螨率极显著高于灭螨剂B组。
例6.2
表3治疗方法*治疗效果交叉制表
计数
治疗效果
合计
1
2
3
治疗方法
1
19
16
5
40
2
16
12
8
36
3
15
13
7
35
例6.3
表5灌溉方式*稻叶情况交叉制表
计数
稻叶情况
合计
1
2
3
灌溉方式
1
146
7
7
160
2
183
9
13
205
3
152
14
16
182
合计
481
30
36
547
分析：表5是灌溉方式*稻叶情况资料分析的列联表。
表6卡方检验
X2值
df
渐进Sig. (双侧)
Pearson卡方
5.622a
4
.229
似然比
5.535
9.277a
1
.002
连续校正b
7.944
1
.005
似然比
9.419
1
.002
Fisher的精确检验
.003
.002
有效案例中的N
80
a. 0单元格(.0%)的期望计数少于5。最小期望计数为15.30。
b.仅对2x2表计算
分析：表2是卡方检验的结果。因为两组各自的结果互不影响，即相互独立。对于这种频数表格式资料，在卡方检验之前必须用“加权个案”命令将频数变量定义为加权变量，才能进行卡方检验。
4
.237
线性和线性组合
4.510
1
.034
有效案例中的N
547
a. 0单元格(.0%)的期望计数少于5。最小期望计数为8.78。
分析：表6是卡方检验的结果。自由度df=4，样本数n=547。表格下方的注解表明理论次数小于5的格子数为0，最小的理论次数为8.78。各理论次数均大于5，无须进行连续性校正，因此可以采用第一行（Pearson卡方）的检验结果，即X2=5.622，P=0.229>0.05,差异不显著，即不同灌溉方式对稻叶情况的影响差异不显著。
Pearson卡方：皮尔逊卡方检验计算的卡方值（用于样本数n≥40且所有理论数E≥5）；
连续校正b：连续性校正卡方值（df=1，只用于2*2列联表）；
似然比：对数似然比法计算的卡方值（类似皮尔逊卡方检验）；
Fisher的精确检验:精确概率法计算的卡方值（用于理论数E<5）。
不同的资料应选用不同的卡方计算方法。
例6.4
表7场地*奶牛类型交叉制表
计数
奶牛类型
合计
1
2
3
场地
1
15
24
12
51
2
4
2
7
13
3
20
13
11
44
合计
39
39
30
108
分析：表5是场地*奶牛类型资料分析的列联表。
表8卡方检验
X2值
df
渐进Sig. (双侧)
精确Sig.(双侧)
精确Sig.(单侧)
点概率
Pearson卡方
9.199a
4
.056
2、软件环境：IBM SPSS Statistics 19.0软件
三、实验内容
(包括本实验要完成的实验问题及需要的相关知识简单概述)
（1）课本第六章的例6.1-6.5运行一遍，注意理解结果；
（2）然后将实验指导书的例1-4运行一遍，注意理解结果。
四、实验结果与分析
（包括实验原理、数据的准备、运行过程分析、源程序（代码）、图形图象界面等）
.056
似然比
8.813
4
.066
.079
Fisher的精确检验
8.463
.072
线性和线性组合
.719b
1
.397
.404
.217
.036
有效案例中的N
108
a. 3单元格(33.3%)的期望计数少于5。最小期望计数为3.61。
b.标准化统计量是-.848。
分析：表8是卡方检验的结果。自由度df=4，样本数n=108。表格下方的注解表明理论次数小于5的格子数为3，最小的理论次数为3.61。需采用精确概率法计算，即用第三行（Fisher的精确检验）的检验结果，即X2=8.463，P=0.072>0.05,差异不显著，即3种奶牛牛场不同类型奶牛的构成比对差异不显著。
合计
50
41
20
111
分析：表3是治疗方法*治疗效果资料分析的列联表。
表4卡方检验
X2值
df
渐进Sig. 双侧)
Pearson卡方
1.428a
4
.839
似然比
1.484
4
.830
线性和线性组合
.514
1
.474
有效案例中的N
111
a. 0单元格(.0%)的期望计数少于5。最小期望计数为6.31。
分析：表4是卡方检验的结果。自由度df=4，表格下方的注解表明理论次数小于5的格子数为0，最小的理论次数为6.13。各理论次数均大于5，无须进行连续性校正，因此可以采用第一行（Pearson卡方）的检验结果，即X2=1.428，P=0.839>0.05,差异不显著，可以认为不同的治疗方法与治疗效果无关，即三种治疗方法对治疗效果的影响差异不显著。