如何合理选择统计方法——常用统计学方法汇总
最新临床研究中常用统计分析方法及选择
例子2：英国某年全人口统计资料
矛盾：移民组的发病率在各个年龄组均高于英格兰和威尔士组，为什么它的合计发病率反而低？
分析中混杂因素的控制
胃癌 228 235 143 187 250 … 胃炎 100 153 178 143 200 … 非胃病 98 123 170 100 120 …
资料特点：计量资料，两组，标准差相差比较大(方差不齐) 不妥的方法：t检验 恰当的方法：t’检验 或者 Wilcoxon秩和检验
实例5 两组病人，采用两种药物治疗，治疗疗效如下表。经卡方检验，P=0.0486，差异有统计学意义。因此可以认为试验组的疗效比对照组的疗效好。
资料特点：计数资料，两组，例数比较少 不妥的方法：卡方检验 恰当的方法：Fisher精确检验
（二）分析目的
数值变量资料 － 计量资料 无序分类变量资料 － 计数资料 有序分类变量资料 － 等级资料
（三）资料类型
无序分类：指类别或属性间无顺序、程度之分 例如，性别（男、女）为二分类 血型（A、B、AB、O）为多分类
有序分类：指类别间存在着次序，或程度上的差异。 例如，治疗效果：无效、好转、显效、治愈 实验室检验：–、+、++、+++
统计学方法有什么用？ 合理选择统计方法的四个因素 数据资料的描述 数据资料的组间比较 变量间关系研究
主要内容
一张关于统计学的图片
一、统计学方法有什么用？
例子1：一研究者宣布找到一种治疗某病的新药，试验的结果如下：
药物
例数
有效
有效率
新药
60
42
50%
该新药是否值得推广？
几个例子
比较目的
5种常用的统计学方法
5种常用的统计学方法1. 描述统计方法描述统计方法是统计学中常用的一种方法，用于对数据进行整理、总结和描述。
它通过计算和分析数据的中心趋势、离散程度和分布特征，提供对数据的直观认识。
描述统计方法不依赖于任何假设，适用于各种类型的数据。
其中，常用的描述统计方法包括均值、中位数、众数和标准差等。
均值是一组数据的平均值，反映了数据的中心趋势；中位数是一组数据中居于中间位置的值，对于数据的离群点不敏感；众数是一组数据中出现最频繁的值，用于描述数据的分布特征；标准差是一组数据的离散程度的度量，反映了数据的变异程度。
通过描述统计方法，我们可以对数据进行整体把握，了解数据的基本情况，为后续的分析和决策提供依据。
2. 探索性数据分析方法探索性数据分析方法是一种通过可视化和统计分析来理解数据的方法。
它旨在发现数据中的模式、趋势和异常值，并提供对数据的深入理解。
在探索性数据分析中，常用的方法包括直方图、散点图和箱线图等。
直方图可以展示数据的分布情况，散点图可以显示两个变量之间的关系，箱线图可以展示数据的分散程度和异常值。
通过探索性数据分析方法，我们可以挖掘数据中的潜在信息，发现数据的规律和特点，为进一步的分析和建模提供指导。
3. 参数估计方法参数估计方法是一种通过样本数据来估计总体参数的方法。
它基于统计模型和假设，利用样本数据推断总体的特征。
常用的参数估计方法包括点估计和区间估计。
点估计是通过样本数据得到总体参数的一个具体值，如样本均值作为总体均值的估计；区间估计是通过样本数据得到总体参数的一个范围，如置信区间可以给出总体均值的估计范围。
参数估计方法可以帮助我们根据有限的样本数据，对总体参数进行推断和估计，提供对总体特征的认识和预测。
4. 假设检验方法假设检验方法是一种通过样本数据来检验关于总体参数的假设的方法。
它基于统计模型和假设，利用样本数据来判断总体参数是否符合某种假设。
常用的假设检验方法包括单样本检验、两样本检验和方差分析等。
统计学方法的分类和选择
统计学方法的分类和选择一、描述统计方法描述统计方法用于总结和概括数据的定量和定性特征，主要包括以下几种方法：1.频数统计：对数据进行分类，计算各类别的频数或频率。
2.平均数和标准差：计算数据的平均值和离均差的度量，用于描述数据的集中趋势和分散程度。
3.分位数和百分位数：计算数据按大小排序后的位置，用于描述数据的位置和分布。
4.统计图表：如直方图、饼图、散点图等，用于直观地展示数据的分布和关系。
二、推断统计方法推断统计方法用于从样本数据中推断总体的特征和进行假设检验，主要包括以下几种方法：1.参数估计：根据样本数据估计总体的参数，包括点估计和区间估计。
2.假设检验：根据样本数据判断总体参数的假设，包括一般假设检验和相关性检验。
3.方差分析：用于比较多个总体的均值是否有显著差异。
4.回归分析：建立变量之间的数学模型，用于预测因变量。
5.方差分析：用于比较多个总体的均值是否有显著差异。
三、统计学方法的选择选择适当的统计学方法应考虑以下几个方面：1.数据类型：根据数据的类型（定量或定性）选择合适的描述统计和推断统计方法。
2.研究目的：根据研究的目的和问题选择合适的统计学方法。
如果是描述总体特征，可以使用描述统计方法；如果需要推断总体特征或进行假设检验，则需要使用推断统计方法。
3.样本容量：样本容量的大小会影响统计学方法的选择。
当样本容量较大时，可以使用参数估计和假设检验方法；当样本容量较小时，可以使用非参数统计方法。
4.数据分布：数据的分布特征对统计学方法的选择也有影响。
当数据服从正态分布时，可以使用参数统计方法；当数据不服从正态分布时，可以使用非参数统计方法。
5.数据关系：如果数据之间存在关联或依赖关系，可以使用回归分析等方法来研究变量之间的影响。
总之，统计学方法的分类和选择应考虑数据的类型、研究目的、样本容量、数据分布和数据关系等因素。
选用合适的统计学方法能够提供准确的分析结果和科学的结论，从而对问题的解决和决策的制定有着重要的意义。
如何合理选择统计方法——常用统计学方法汇总推荐文档
如何合理选择统计方法——常用统计学方法汇总推荐文档在科学研究和数据分析中，合理选择统计方法是非常重要的。
统计学方法涉及到数据的收集、整理、描述和分析，能够帮助我们得出准确的结论和有效的推断。
本文将介绍一些常用的统计学方法，并给出一些建议来合理选择适当的统计方法。
一、描绘性统计方法描绘性统计方法用于对数据进行整理和描述，以便更好地了解数据的分布、中心趋势和变异程度。
常用的描绘性统计方法包括：均值、中位数、众数、方差、标准差、百分位数等。
在选择描绘性统计方法时，需要根据数据的类型和分布特征来决定使用哪种方法。
如果数据呈正态分布，可以使用均值和标准差进行描述；如果数据分布严重偏斜，可以使用中位数和百分位数。
二、推断统计方法推断统计方法用于对整体的特征进行推断和估计，基于样本数据来推断总体的参数和特征。
常用的推断性统计方法包括：假设检验和置信区间估计。
假设检验用于测试关于总体特征的假设，例如比较两个总体均值是否有显著差异；而置信区间估计用于给出总体参数的估计范围。
在选择推断统计方法时，需要考虑研究问题的特点和数据的类型。
如果对总体均值或比例是否有显著性差异感兴趣，可以选择假设检验方法；如果对总体参数的估计范围感兴趣，可以选择置信区间估计方法。
三、回归分析方法回归分析是一种用于研究变量之间关系的统计方法，常用于预测和解释变量之间的关系。
回归分析方法包括线性回归、多元回归、逻辑回归等。
在选择回归分析方法时，需要考虑自变量和因变量的类型和分布特征，以及变量之间是否存在线性关系。
如果自变量和因变量均为连续变量，并且存在线性关系，可以选择线性回归方法；如果因变量为二分类变量，可以选择逻辑回归方法。
四、方差分析方法方差分析是一种比较多个样本均值是否存在显著差异的统计方法，常用于实验设计和因素分析。
方差分析方法包括单因素方差分析和多因素方差分析。
在选择方差分析方法时，需要考虑自变量的类型和水平数目，以及因变量的类型和数据分布特征。
如何合理选择统计方法——常用统计学方法汇总
如何合理选择统计方法——常用统计学方法汇总在研究或分析数据时，选择合适的统计方法非常重要。
合理选择统计方法能够确保分析结果的准确性和可靠性。
下面是一些常用的统计学方法汇总，以便能够更好地进行数据分析和解释。
1.描述统计学方法：描述统计学方法主要用于总结和描绘数据的特征和分布。
常用的描述统计学方法包括均值、中位数、众数、标准差、方差、百分位数等。
这些方法能够帮助我们了解数据的中心趋势、离散程度以及分布形态。
通过描述统计学方法，我们可以获得关于数据的直观认识，并为后续的进一步分析提供基础。
2.推论统计学方法：推论统计学方法主要用于通过样本数据，推断总体的特征和参数。
常用的推论统计学方法包括假设检验、置信区间估计、回归分析、方差分析等。
这些方法可以帮助我们从样本数据中获取有关总体的信息，例如总体均值、总体差异等。
在推论统计学方法中，我们需要根据问题的要求和数据的特性选择合适的方法。
3.相关分析方法：相关分析方法主要用于研究两个或多个变量之间的关系。
常用的相关分析方法包括相关系数、回归分析、因子分析等。
这些方法可以帮助我们确定变量之间的相关性、影响因素以及隐藏的因素。
通过相关分析方法，我们可以探索变量之间的关系，并进一步理解变量的相互作用和影响。
4.非参数统计学方法：非参数统计学方法主要用于处理数据不满足正态分布假设或无法满足其他假设条件的情况。
常用的非参数统计学方法包括Wilcoxon符号秩检验、Mann-Whitney U检验、Kruskal-Wallis检验等。
这些方法在处理小样本数据、有序数据或分布不确定的数据时非常有用。
选择非参数统计学方法需要考虑数据的性质和问题的要求。
5.多元统计学方法：多元统计学方法主要用于处理多个变量之间的关系和多个因素共同作用的情况。
常用的多元统计学方法包括因子分析、主成分分析、聚类分析等。
这些方法可以帮助我们从多个维度进行数据分析和解释，发现变量之间的模式和结构。
在选择多元统计学方法时，我们需要考虑变量的数量、关系的复杂程度以及分析目标。
统计方法选择
统计方法选择统计方法选择选择一个恰当的统计方法，是解决问题的第一步，也是最重要的一步。
选对方向往往比走得快要重要下面是爱汇网店铺给大家整理的统计方法选择，供大家参阅!统计方法的选择编统计资料丰富且错综复杂，要想做到合理选用统计分析方法并非易事。
对于同一个资料，若选择不同的统计分析方法处理，有时其结论是截然不同的。
正确选择统计方法的依据是：①根据研究的目的，明确研究试验设计类型、研究因素与水平数;②确定数据特征(是否正态分布等)和样本量大小;③ 正确判断统计资料所对应的类型(计量、计数和等级资料)，同时应根据统计方法的适宜条件进行正确的统计量值计算;最后，还要根据专业知识与资料的实际情况，结合统计学原则，灵活地选择统计分析方法。
1 计量资料的统计方法分析计量资料的统计分析方法可分为参数检验法和非参数检验法。
参数检验法主要为t检验和方差分析(ANOVN，即F检验)等，两组间均数比较时常用t检验和u检验，两组以上均数比较时常用方差分析;非参数检验法主要包括秩和检验等。
t检验可分为单组设计资料的.t 检验、配对设计资料的t检验和成组设计资料的t检验;当两个小样本比较时要求两总体分布为正态分布且方差齐性，若不能满足以上要求，宜用t 检验或非参数方法(秩和检验)。
方差分析可用于两个以上样本均数的比较，应用该方法时，要求各个样本是相互独立的随机样本，各样本来自正态总体且各处理组总体方差齐性。
根据设计类型不同，方差分析中又包含了多种不同的方法。
对于定量资料，应根据所采用的设计类型、资料所具备的条件和分析目的，选用合适的统计分析方法，不应盲目套用t检验和单因素方差分析。
2 计数资料的统计方法计数资料的统计方法主要针对四格表和R×C表利用检验进行分析。
四格表资料：组间比较用检验或u检验，若不能满足检验：当计数资料呈配对设计时，获得的四格表为配对四格表，其用到的检验公式和校正公式可参考书籍。
R×C表可以分为双向无序，单向有序、双向有序属性相同和双向有序属性不同四类，不同类的行列表根据其研究目的，其选择的方法也不一样，具体见表1。
掌握常见的统计学方法和技巧
掌握常见的统计学方法和技巧统计学是一门研究数据收集、分析和解释的学科，广泛应用于各个领域。
掌握常见的统计学方法和技巧对于进行准确的数据分析和研究至关重要。
本文将介绍一些常见的统计学方法和技巧，帮助读者提高统计分析的能力。
一、描述性统计描述性统计主要用于对数据进行描述和总结，旨在提供对数据的基本特征的认识。
描述性统计方法包括：1. 中心趋势测量：通过计算平均数、中位数和众数等指标，来反映数据的中心位置。
2. 离散度测量：通过计算极差、方差和标准差等指标，来反映数据的分散程度。
3. 频数分布：通过绘制频率分布表和频率分布图，来展示数据的分布情况。
二、概率分布概率分布是描述随机变量可能取值的分布规律的数学模型。
常见的概率分布包括：1. 正态分布：正态分布是一种常见的连续概率分布，具有钟形曲线的形态。
2. 二项分布：二项分布是一种离散概率分布，适用于二项试验，如抛硬币的结果。
3. 泊松分布：泊松分布是一种离散概率分布，适用于描述单位时间内随机事件发生次数的概率。
三、抽样与估计抽样与估计是统计学中常用的方法之一，用于从总体中获取样本数据，并基于样本数据进行总体参数的估计。
1. 简单随机抽样：简单随机抽样是从总体中以等概率随机选取样本的方法，保证样本的代表性。
2. 置信区间：置信区间是利用样本统计量对总体参数进行估计的一种方法，提供了参数真值所在区间的估计。
3. 假设检验：假设检验用于对统计推断中的假设进行检验，判断样本数据是否支持或拒绝某个假设。
四、回归分析回归分析用于研究因变量与一个或多个自变量之间的关系。
常见的回归分析方法有：1. 简单线性回归：通过拟合一条直线来描述一个自变量和一个因变量之间的线性关系。
2. 多元线性回归：通过拟合一个多元方程来描述一个因变量与多个自变量之间的线性关系。
3. 逻辑回归：逻辑回归适用于因变量为二元变量的情况，通过拟合一个逻辑函数来描述因变量的概率。
五、统计软件在实际应用中，统计软件是进行数据分析和统计推断的强有力工具。
统计方法选择
统计方法选择统计方法是科学研究中必不可少的一个环节，其目的是通过对数据进行收集、整理、分析和解释，从而得出结论并推断其普遍性。
为了确保研究的可靠性和有效性，研究者必须选用合适的统计方法来分析数据。
本文将从数据特性、研究目的和数据来源等方面探讨如何选择合适的统计方法。
一、数据特性数据特性是选择统计方法的关键因素之一，因为不同的数据类型需要使用不同的统计方法进行分析。
以下是常见的数据类型和其适用的统计方法：1.二分类数据二分类数据是指只有两种取值，比如性别、婚姻状况等。
对于二分类数据，最常用的统计方法是卡方检验，其目的是确定两组数据在某个特定事件中是否存在显著差异。
2.数值型数据数值型数据是指具有实际意义的连续或离散的数值，例如身高、体重、年龄等。
对于数值型数据，最常用的统计方法是描述性统计和假设检验。
描述性统计可以通过计算平均值、标准差、中位数、众数等指标来描述数据的分布情况。
而假设检验则可以通过对样本数据进行假设，从而推断总体数据是否存在显著差异。
3.质性数据质性数据是指不具有实际意义的分类数据，例如颜色、民族、职业等。
对于质性数据，最常用的统计方法是频数分析和列联表分析。
频数分析可以将数据按照类别分组并计算每个类别的频数，从而了解数据的总体分布情况。
而列联表分析则可以通过计算不同变量之间的交叉频数，从而了解这些变量之间的关系。
二、研究目的1.描述性研究描述性研究的目的是了解数据的特点和分布情况。
对于描述性研究，最常用的统计方法是描述性统计，包括中心趋势和离散程度等指标，从而描绘出数据的整体特征。
2.关联性研究关联性研究的目的是了解两个或多个变量之间的关系。
对于关联性研究，最常用的统计方法是相关分析和回归分析。
相关分析可以计算两个变量之间的相关系数，从而了解它们之间的线性相关性。
而回归分析则可以通过建立模型来预测因变量的取值。
3.实验性研究实验性研究的目的是检验假设，确定某个因素对另一个因素的影响。
- 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)。
01如何选择合适的统计学方法？1连续性资料1.1 两组独立样本比较1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。
1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。
1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。
1.2 两组配对样本的比较1.2.1 两组差值服从正态分布，采用配对t检验。
1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。
1.3 多组完全随机样本比较1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。
如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。
如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。
1.4 多组随机区组样本比较1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。
如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。
如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。
****需要注意的问题：（1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t 检验或方差分析。
因为统计学上有中心极限定理，假定大样本是服从正态分布的。
（2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。
正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。
**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确**（3）关于常用的设计方法：多组资料尽管最终分析都是采用方差分析，但不同设计会有差别。
常用的设计如完全随即设计，随机区组设计，析因设计，裂区设计，嵌套设计等。
2．分类资料2.1 四格表资料2.1.1 例数大于40，且所有理论数大于5，则用普通的Pearson 检验。
2.1.2 例数大于40，所有理论数大于1，且至少一个理论数小于5，则用校正的检验或Fisher’s 确切概率法检验。
2.1.3 例数小于40，或有理论数小于2，则用Fisher’s确切概率法检验。
2.2 2×C表或R×2表资料的统计分析2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。
（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效，则可用行平均分差检验或成组的Wilcoxon秩和检验。
2.2.3 列变量为效应指标，且为二分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.3 R×C表资料的统计分析2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。
（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
（3）如果要作相关性分析，可采用Pearson相关系数。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效或强弱程度的不同，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
2.2.3 列变量为效应指标，且为无序多分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.2.4 列变量＆行变量均为有序多分类变量，（1）如要做组间差别分析，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
（2）如果要做两变量之间的相关性，可采用Spearson相关分析。
2.4 配对分类资料的统计分析2.4.1 四格表配对资料，（1）b＋c>40，则用McNemar配对检验。
（2）b＋c<40，则用校正的配对检验。
2.4.1 C×C资料，（1）配对比较：用McNemar配对检验。
（2）一致性检验，用Kappa检验。
在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述.Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。
对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。
Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。
Kendall's tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。
对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格；计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。
计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关Pearson 相关复选项积差相关计算连续变量或是等间距测度的变量间的相关分析Kendall 复选项等级相关计算分类变量间的秩相关，适用于合并等级资料Spearman 复选项等级相关计算斯皮尔曼相关，适用于连续等级资料注：1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用Spearman 或Kendall相关。
3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。
则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。
对一般情况默认数据服从正态分布的，故用Pearson分析方法。
在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项：PearsonKendall's tau-bSpearman：Spearmanspearman（斯伯曼/斯皮尔曼）相关系数斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。
它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究Kendall's相关系数肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。
适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。
等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。
肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。
该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。
一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。
正态分布的相关检验对来自正态总体的两个样本进行均值比较常使用T检验的方法。
T检验要求两个被比较的样本来自正态总体。
两个样本方差相等与不等时用的计算T值的公式不同。
进行方差齐次性检验使用F检验。
对应的零假设是：两组样本方差相等。
P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。
U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。
在这种情况下总体方差通常是已知的。
虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。
均值检验时不同的数据使用不同的统计量使用MEANS过程求若干组的描述统计量，目的在于比较。
因此必须分组求均值。
这是与Descriptives过程不同之处。
检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T检验过程。