卡方检验案例分析
在分类资料统计分析中我们常会遇到这样的资料，如两组大白鼠在不同致癌剂作用下的发癌率如下表，问两组发癌率有无差别？
处理发癌数未发癌数合计发癌率%
甲组52 19 71 73.24
乙组39 3 42 92.86
合计91 22 113 80.33
52 19
39 3
是表中最基本的数据，因此上表资料又被称之为四格表资料。卡方检验的统计量是卡方值，它是每个格子实际频数A与理论频数T差值平方与理论频数之比的累计和。每个格子中的理论频数T是在假定两组的发癌率相等（均等于两组合计的发癌率）的情况下计算出来的，如第一行第一列的理论频数为71*（91/113）=57.18，故卡方值越大，说明实际频数与理论频数的差别越明显，两组发癌率不同的可能性越大。
利用统计学软件分析结果如下：
data kafang;
input row column number @@;
cards;
1 1 52
1 2 19
2 1 39
2 2 3
;
run;
proc freq;
tables row*column/chisq;
weight number;
run;
统计量自由度值概率
卡方 1 6.4777 0.0109（有统计学意义）
似然比卡方 1 7.3101 0.0069
连续校正卡方 1 5.2868 0.0215
Mantel-Haenszel 卡方 1 6.4203 0.0113 Phi 系数 -0.2394
列联系数 0.2328
Cramer 的V -0.2394
【实验报告】SPSS相关分析实验报告
SPSS相关分析实验报告 篇一：spss对数据进行相关性分析实验报告 实验一 一.实验目的 掌握用spss软件对数据进行相关性分析，熟悉其操作过程，并能分析其结果。 二.实验原理 相关性分析是考察两个变量之间线性关系的一种统计分析方法。更精确地说，当一个变量发生变化时，另一个变量如何变化，此时就需要通过计算相关系数来做深入的定量考察。P值是针对原假设H0：假设两变量无线性相关而言的。一般假设检验的显著性水平为0.05，你只需要拿p值和0.05进行比较：如果p值小于0.05，就拒绝原假设H0，说明两变量有线性相关的关系，他们无线性相关的可能性小于0.05；如果大于0.05，则一般认为无线性相关关系，至于相关的程度则要看相关系数R值，r越大，说明越相关。越小，则相关程度越低。而偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程，其检验过程与相关分析相似。三、实验内容 掌握使用spss软件对数据进行相关性分析，从变量之间的相关关系，寻求与人均食品支出密切相关的因素。 (1)检验人均食品支出与粮价和人均收入之间的相关关系。 a.打开spss软件，输入“回归人均食品支出”数据。
b.在spssd的菜单栏中选择点击，弹出一个对话窗口。 C.在对话窗口中点击ok,系统输出结果，如下表。 从表中可以看出，人均食品支出与人均收入之间的相关系数为0.921，t检验的显著性概率为0.0000.01，拒绝零假设，表明两个变量之间显著相关。人均食品支出与粮食平均单价之间的相关系数为0.730，t检验的显著性概率为 0.0000.01，拒绝零假设，表明两个变量之间也显著相关。 (2)研究人均食品支出与人均收入之间的偏相关关系。 读入数据后： A.点击系统弹出一个对话窗口。 B.点击OK，系统输出结果，如下表。 从表中可以看出，人均食品支出与人均收入的偏相关系数为0.8665，显著性概率p=0.0000.01，说明在剔除了粮食单价的影响后，人均食品支出与人均收入依然有显著性关系，并且0.86650.921，说明它们之间的显著性关系稍有减弱。通过相关关系与偏相关关系的比较可以得知：在粮价的影响下，人均收入对人均食品支出的影响更大。 三、实验总结 1、熟悉了用spss软件对数据进行相关性分析，熟悉其操作过程。 2、通过spss软件输出的数据结果并能够分析其相互之间的关系，并且解决实际问题。 3、充分理解了相关性分析的应用原理。
卡方检验法
第八章记数数据统计法—卡方检验法 知识引入 在各个研究领域中，有些研究问题只能划分为不同性质的类别，各类别没有量的联系。例如，性别分男女，职业分为公务员、教师、工人、……，教师职称又分为教授、副教授、……。有时虽有量的关系，因研究需要将其按一定的标准分为不同的类别，例如，学习成绩、能力水平、态度等都是连续数据，只是研究者依一定标准将其划分为优良中差，喜欢与不喜欢等少数几个等级。对这些非连续等距性数据，要判别这些分类间的差异或者多个变量间的相关性方法称为计数数据统计方法。 卡方检验是专用于解决计数数据统计分析的假设检验法。本章主要介绍卡方检验的两个应用：拟合性检验和独立性检验。拟合性检验是用于分析实际次数与理论次数是否相同，适用于单个因素分类的计数数据。独立性检验用于分析各有多项分类的两个或两个以上的因素之间是否有关联或是否独立的问题。 在计数数据进行统计分析时要特别注意取样的代表性。我们知道，统计分析就是依据样本所提供的信息，正确推论总体的情况。在这一过程中，最根本的一环是确保样本的代表性及对实验的良好控制。在心理与教育研究中，所搜集到的有些数据属于定性资料，它们常常是通过调查、访问或问卷获得，除了少数实验可以事先计划外，大部分收集数据的过程是难于控制的。例如，某研究者关于某项教育措施的问卷调查，由于有一部分教师和学生对该项措施存有意见，或对问卷本身有偏见，根本就不填写问卷。这样该研究所能收回的问卷只能代表一部分观点，所以它是一个有偏样本，若据此对总体进行推论，就会产生一定的偏差，势必不能真实地反映出教师与学生对这项教育措施的意见。因此应用计数资料进行统计推断时，要特别小心谨慎，防止样本的偏倚性，只有具有代表性的样本才能作出正确的推论。 第一节卡方拟合性检验 一、卡方检验的一般问题 卡方检验应用于计数数据的分析，对于总体的分布不作任何假设，因此它又是非参数检验法中的一种。它由统计学家皮尔逊推导。理论证明，实际观察次数（f o）与理论次数 （f e），又称期望次数）之差的平方再除以理论次数所得的统计量，近似服从卡方分布， 可表示为： 这是卡方检验的原始公式，其中当f e越大（f e≥5）,近似得越好。显然f o与f e相差越大，卡方值就越大；f o与f e相差越小，卡方值就越小；因此它能够用来表示f o与f e相差的程度。根据这个公式，可认为卡方检验的一般问题是要检验名义型变量的实际观测次数和理论次数分布之间是否存在显著差异。它主要应用于两种情况：
非参数检验卡方检验实验报告
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
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=，P（Sig）=<，表明灭螨剂A组的杀螨率极显着高于灭螨剂B组。 例 表3 治疗方法* 治疗效果交叉制表 计数 治疗效果 123 合计 治疗方法11916540 21612836 31513735合计504120111 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 1.428a4.839
似然比4.830线性和线性组合.5141.474 有效案例中的 N111 a. 0 单元格(.0%) 的期望计数少于 5。最小期望计数为。 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。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=，P=>,差异不显着，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着。 例 表5 灌溉方式* 稻叶情况交叉制表 计数 稻叶情况 123 合计 灌溉方式114677160 2183913205 31521416182合计4813036547 分析：表5是灌溉方式* 稻叶情况资料分析的列联表。
卡方检验模型验证方法
卡方检验模型验证方法模型参数的验证方法主要使用卡方拟合度检验( Chi-square Goodness-of-fit Test )结合最大似然 估计( Maximum Likelihood Estimation )，并且使用QQ图（Quantile-Quantile Plot）证明验证结果。 具体的说，就是先假定采集的样本数据符合某一分布，通过最大似然估计方法估计出该分布的参数，然后代入并用卡方检验计算相对于该分布的偏差。实践中我们对于一组样本数据，计算所有常见分布的偏差值，选取偏差最小的分布做为该样本的拟合结果。另外，从QQ图直观上看，该分布做为拟合结果描绘出的曲线 必须近似为接近参考线的直线（见3.3），否则我们就将数据拆分为多个部分进行分段的拟合（如对终端请求包大小的拟合）。 1.1 卡方拟合度检验卡方检验是一种大样本假设检验法，用于检验随机事件中提出的样本数据是否符合某一给定分布。 它需要较 大量的样本数据及已知的待检验概率分布函数。 1.1.1 卡方检验原理对于一个服从二项分布的随机变量Y服从Binomial( n, p) ,均值为,方差 。 由中心极限定理，符合标准正态分布N (0, 1)，所以服从自由度为1的卡方分布。 设服从Binomial( n, p1 ), , , 则 有 所以 同理对于k个随机变量，均值分别为 ， 在数据拟合时，先对数据分组，每组数据的实际个数即为随机变量
，，，则数据拟合即为判断 是否符合分布， 该卡方分布的自由度为k-1-nep（k为随机变量个数，nep为估计参数的个数）。 1.1.2 卡方检验步骤：假定样本服从某一给定分布。根据样本数据用最大似然法估计分布的密度函数参数。设定置信度，对n个样本数据排序。 把排序后的数据分成k组，确定每组的上下限,（上下限确定方法不同对验证能力有影响， 每组数据不少于5个），为了方便起见，本项目中采用平均划分分组间隔，即使为常数， 对于所有的成立。 计算每组数据实际个数，第i组实际个数为。 计算每组数据期望个数，第i组期望个数为： 连续：，其中F(x)为待验证的概率分布函数， 离散：。 计算。 理论上说如果，则数据符合分布函数为F(x)的分布， 其中，nep为估计的参数的个数。但是由于实际采集的数据并非完全地符合某一分布， 总存在一定的偏差，计算出的值并不满足这个条件， 所以我们使用的拟合标准为采用卡方估计值最小的分布作为验证结果。
卡方检验法
记数数据统计法—卡方检验法 在各个研究领域中，有些研究问题只能划分为不同性质的类别，各类别没有量的联系。例如，性别分男女，职业分为公务员、教师、工人、……，教师职称又分为教授、副教授、……。有时虽有量的关系，因研究需要将其按一定的标准分为不同的类别，例如，学习成绩、能力水平、态度等都是连续数据，只是研究者依一定标准将其划分为优良中差，喜欢与不喜欢等少数几个等级。对这些非连续等距性数据，要判别这些分类间的差异或者多个变量间的相关性方法称为计数数据统计方法。 卡方检验是专用于解决计数数据统计分析的假设检验法。本章主要介绍卡方检验的两个应用：拟合性检验和独立性检验。拟合性检验是用于分析实际次数与理论次数是否相同，适用于单个因素分类的计数数据。独立性检验用于分析各有多项分类的两个或两个以上的因素之间是否有关联或是否独立的问题。 在计数数据进行统计分析时要特别注意取样的代表性。我们知道，统计分析就是依据样本所提供的信息，正确推论总体的情况。在这一过程中，最根本的一环是确保样本的代表性及对实验的良好控制。在心理与教育研究中，所搜集到的有些数据属于定性资料，它们常常是通过调查、访问或问卷获得，除了少数实验可以事先计划外，大部分收集数据的过程是难于控制的。例如，某研究者关于某项教育措施的问卷调查，由于有一部分教师和学生对该项措施存有意见，或对问卷本身有偏见，根本就不填写问卷。这样该研究所能收回的问卷只能代表一部分观点，所以它是一个有偏样本，若据此对总体进行推论，就会产生一定的偏差，势必不能真实地反映出教师与学生对这项教育措施的意见。因此应用计数资料进行统计推断时，要特别小心谨慎，防止样本的偏倚性，只有具有代表性的样本才能作出正确的推论。 第一节卡方拟合性检验 一、卡方检验的一般问题 卡方检验应用于计数数据的分析，对于总体的分布不作任何假设，因此它又是非参数检验法中的一种。它由统计学家皮尔逊推导。理论证明，实际观察次数（f o）与理论次数（f e），又称期望次数）之差的平方再除以理论次数所得的统计量，近似服从卡方分布，可表示为： 这是卡方检验的原始公式，其中当f e越大（f e≥5）,近似得越好。显然f o与f e相差越大，卡方值就越大；f o与f e相差越小，卡方值就越小；因此它能够用来表示f o与f e相差的程度。根据这个公式，可认为卡方检验的一般问题是要检验名义型变量的实际观测次数和理论次数分布之间是否存在显著差异。它主要应用于两种情况： 卡方检验能检验单个多项分类名义型变量各分类间的实际观测次数与理论次数之间是否一致的问题，这里的观测次数是根据样本数据得多的实计数，理论次数则是根据理论或经验得到的期望次数。这一类检验称为拟合性检验。
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 实验日期实验地点 2015—2016学年度第一2 学期 、实验目的 对分类资料进行卡方检验。 、实验环境 1、硬件配置：处理器：In tel(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） 例6.1 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 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。 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6.1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。 X 2=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 、图形图象界面等） 合计
第十二章 基于秩转换的非参数检验
第十二章基于秩转换的非参数检验A1型题 1 ．两组资料比较中，若样本例数n 较小，总体方差不齐，宜采用（） A ．对数变换 B ．秩和检验 C . t 检验 D ．方差分析 E . A 、B 都可以 2 ．请指出下列五个秩和检验的结果哪个是错误的（） A ．配对计量资料n=12 , T ＋=7 , T - =71 查表T 0.05 =13 ~65 ，P＜0.05 B ．配对计量资料n=8 , T ＋=12 , T - =24 查表T 0.05 =3 ~33，P＜0.05 C ．两组计量资料n 1=12, n 2 =10, T 1 =173, T 2 ＝80 查表T 0.05 =85~145, P< 0.05 D ．两组计量资料n 1=10, n 2 =10, T 1 =55,T 2 ＝15 查表T 0.05 =79~131 , P< 0.05 E ．两组计量资料n 1=9, n 2 =13 , T 1 =58, T 2 ＝195 查表T 0.05 = 581~24 , P< 0.05 3 ．配对比较的秩和检验，若检验假设H 成立，则（) A ．差值为正的秩和与差值为负的秩和相差不会很大 B ．差值为正的秩和与差值为负的秩和可能相差很大 C ．正秩和的绝对值大于负秩和的绝对值 D ．正秩和的绝对值小于负秩和的绝对值 E ．正秩和与负秩和相等 4 ．以下检验方法除（）外，其余均属非参数统计方法 A . Friedman's M 检验 B . H 检验 C ．配对设计符号秩检验 D . t 检验 E ．查r s 界值表法 5 ．等级资料比较宜采用（） A . t 检验 B . x2检验 C . u 检验 D ．秩和检验 E ．t检验 6 ．两个小样本数值变量资料比较的假设检验，首先应考虑（） A ，用t 检验 B ．用秩和检验 C . t 检验或秩和检验均可 D ．用u 检验 E ．资料符合t 检验还是秩和检验的条件 7 ．符合t检验条件的数值变量资料若采用秩和检验，不拒绝H 时，可使（） A . I 型错误增大 B . Ⅱ型错误增大
spss实验报告
专业统计软件应用 实验报告 实验课程专业统计软件应用 上课时间2013 学年上半学期14 周（2013 年5 月27 日—31 日） 学生姓名杨守玲学号2011211432 班级0361102 所在学院经管上课地点金融实验指导教师唐兴艳
第五章思考与练习 3.表5.20 是某班级学生的高考数学成绩，试分析该班的数学成绩与全国的平均成绩70 分之间是否有显著性差异（数据文件：data5-16.sav）。 解：解决问题的原理：独立T样本检验 提出原假设和备择假设： Ho:p<0.05，该班的数学成绩与全国的平均成绩70 分之间不存在显著相关性；H1:p>0.05，该班的数学成绩与全国的平均成绩70 分之间存在显著相关性。 第1步单样本T 检验分析设置 （1）选择菜单：“分析”→“比较均值”→“单样本T 检验（S）”，打开“单样本T 检验主对话框”，确定要进行T 检验的变量并输入检验值，按如图所示进行设置。将“成绩”选入“检验变量”中，输入待检验的值“70”，用来检验产生的样本均值与检验值有无显著性差异。 第2步“选项”对话框设置：指定置信水平和缺失值的处理方法。
第3步主要结果及分析 完成以上的操作步骤后，点击“确定”按钮，运行结果如下所示，具体分析如下：下表给出了单样本T 检验的描述性统计量，包括样本数（N）、均值、标准差、均值的标准误差。 当置信水平为95%时，显著性水平为0.05，从表5.2 中可以看出，双尾检测概率P 值为0.002，小于0.05，故接受原假设，也就是说该班的数学成绩与全国的平均成绩70 分之间不存在显著相关性，即班的数学成绩与全国的平均成绩70 分之间存在显著性差异。 4. 在某次测试中，随机抽取男女同学的成绩各10 名，数据如下： 男：99 79 59 89 79 89 99 82 80 85 女：88 54 56 23 75 65 73 50 80 65 假设样本总体服从正态分布，比较置信度为95%的情况下男女得分是否有显著性差异(数据文件：data5-17.sav)。
统计方法卡方检验
卡方统计量 卡方检验用途： 可以对两个率或构成比以及多个率或构成比间的差异做统计学检验 第一节. 四格表资料的χ2检验 例8.1 为了解铅中毒病人是否有尿棕色素增加现象，分别对病人组和对照组的尿液作尿棕色素定性检查，结果见表8.1，问铅中毒病人和对照人群的尿棕色素阳性率有无差别? 表8.1 两组人群尿棕色素阳性率比较 组别阳性数阴性数合计阳性率% 病人29(18.74) 7(17.26) 36 80.56 对照9(19.26)28(17.74) 37 24.32 合计38 35 73 52.05 卡方检验的基本思想 表1中29、7、9、28是构成四格表资料的四个基本格子的数字，其余行合计和列合计以及总的合计都可以根据该四个数字推算出来，故该类资料被称为四格表资料 四格表卡方检验的步骤 以例8.1为例 1.建立假设： H0：π1 = π2 H1：π1≠π2 α＝0.05 四格表的四格子里的数字是实际数，在表1中四个数字旁边括号中的四个数字为理论数，其含义是当无效假设成立的时候，理论上两组人群各有多少阳性和阴性的人数。 若H0：π1＝π2成立→p1＝p2＝p 即假设两组间阳性率无差别，阳性率都是等于合计的52.05%，那么 铅中毒病人36人，则理论上有 36 ╳52.05%=18.74人为阳性； 对照组37人，则理论上有 37 ╳52.05%=19.26人为阳性。 故每个实际数所对应的理论数算法是，该实际数对应的行和乘列和再除以总的N样本含量。 即TRC=nR nC / n 2.计算理论数 第1行1列: T11＝36×38/73= 18.74 依次类推T12 = 17.26 T21 = 19.26 T22 = 17.74 四格表中理论数的两大特征： （1）理论频数表的构成相同，即不但各行构成比相同，而且各列构成比也相同； （2）各个基本格子实际数与理论数的差别（绝对值）相同。 一、卡方检验基本公式
第十章 卡方检验..
第十章χ2检验 χ检验的原理 第一节2 χ检验的假设 一、2 （一）分类相互排斥，互不包容 2 χ检验中的分类必须相互排斥，这样每一个观测值就会被划分到一个类别或另一个类别之中。此外，分类必须互不包容，这样，就不会出现某一观测值同时划分到更多的类别当中去的情况。 （二）观测值相互独立 各个被试的观测值之间彼此独立，这是最基本的一个假定。如一个被试对某一品牌的选择对另一个被试的选择没有影响。当同一被试被划分到一个以上的类别中时，常常会违反这个假定。 当讨论列联表时，独立性假定是指变量之间的相互独立。这种情况下，这种变量的独立性正在被检测。而观测值的独立性则是预先的一个假定。 （三）期望次数的大小 每一个单元格中的期望次数应该至少在5以上。一些更加谨慎的统计学家提出了更严格 χ检验时，每一个单元格的期望次数至少不应低于的标准，当自由度等于1时，在进行2 10，这样才能保证检验的准确性。 另外，在许多分类研究中会存在这样一种情况，如自由度很大，有几个类别的理论次数虽然很小，但在给以接受的标准范围内，只有一个类别的理论次数低于1。此时，一个简单的处理原则是设法使每一个类别的理论次数都不要低于1，分类中不超过20%的类别的理论次数可以小于5。在理论次数较小的特殊的四格表中，应运用一个精确的多项检验来避免使χ检验。 用近似的2 χ检验的类别 二、2 （一）配合度检验 配合度检验主要用来检验一个因素多项分类的实际观察数与某理论次数是否接近，这种2 χ检验方法有时也称为无差假说检验。当对连续数据的正态性进行检验时，这种检验又可称为正态吻合性检验。 （二）独立性检验 独立性检验是用来检验两个或两个以上因素各种分类之间是否有关联或是否具有独立 χ检验适用于探讨两个变量之间是否具有关联（非独立）或无关（独性的问题。这种类型的2
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 16 SPSS计算结果如下： 此题为两独立样本非参数检验。 （1）两独立样本Mann-Whitney U检验：
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 20xx—20xx 学年度第 2 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、277a 1 、002 连续校正b 7、944 1 、005 似然比9、419 1 、002 Fisher 得精确检验 、003 、002 有效案例中得N 80 a、0 单元格(、0%) 得期望计数少于5。最小期望计数为
卡方检验
卡方（2χ）检验 常用于检验两个或多个样本率（或构成比）之间有无差别，也用于检验配对计数资料的 差异等。 （一）四格表资料的卡方检验 [例7-30] 某医院用甲、乙两种药物治疗十二指肠球部溃疡，结果见表7-12，试问两种药物疗效有无差别？ 表7-12 两种药物治疗十二指肠球部溃疡效果比较 组 别 愈合人数 未愈合人数 合计 愈合率（%） 甲 75（a ） 25（b ） 100（a +b ） 75.00 乙 合 计 50（c ） 30（d ） 80（c +d ） 62.50 125 55 180（n ） 69.44 1.四格表2χ检验的基本公式为： ∑ -=T T A 2 2 )(χ （公式7-44） （1）建立假设，确定检验水准 H 0：π1=π2，即两组愈合率相同； H 1: π1≠π2，即两组愈合率不同； α=0.05 （2）计算理论数RC T n n n T C R RC = （公式7-45） 表7-13 两种药物治疗十二指肠球部溃疡效果比较 组 别 愈合人数 未愈合人数 合计 愈合率（%） 甲 75（69.44） 25（30.56） 100 75.00 乙 合 计 50（55.56） 30（24.44） 80 62.50 125 55 180 69.44 （3）计算检验统计量2χ值 按公式7-44计算： =3.27 （4）确定P 值 ν=（R-1）（C-1）。 本例ν=（2-1）（2-1）=1，查2χ界值表，2105.0，χ=3.84，2 1,1.0χ=2.71，故0.1＞P ＞0.05。 （5）做出推断结论 按α=0.05水准，不拒绝H 0，差异无统计学意义。还不能认为两种药物治疗十二指肠球部溃疡疗效有差别。 2.四格表的专用公式 四格表资料还可用专用公式求2χ值。 44 .24)44.2430(56.55)56.5550(56.30)56.3025(44.69)44.6975()(2 22222 -+ -+-+-=-=∑T T A χ
第十二章直线相关与回归
第十二章 直线相关与回归 A 型选择题 1、若计算得一相关系数r=0.94,则（ ） A 、x 与y 之间一定存在因果关系 B 、同一资料作回归分析时，求得回归系数一定为正值 C 、同一资料作回归分析时，求得回归系数一定为负值 D 、求得回归截距a>0 E 、求得回归截距a ≠0 2、对样本相关系数作统计检验（H 0：ρ=0），结果0.05()v r r >，统计结论是（ ）。 A. 肯定两变量为直线关系 B 、认为两变量有线性相关 C 、两变量不相关 B. 两变量无线性相关 E 、两变量有曲线相关 3、若1210.05()20.01(),v v r r r r >>，则可认为（ ）。 A. 第一组资料两变量关系密切 B. 第二组资料两变量关系密切 C 、难说哪一组资料中两变量关系更密切 D 、两组资料中两变量关系密切程度不一样 E 、以上答案均不对 4、相关分析可以用于（ ）有无关系的研究 A 、性别与体重
B、肺活量与胸围 C、职业与血型 D、国籍与智商 E、儿童的性别与体重 5、相关系数的假设检验结果P<α,则在α水平上可认为相应的两个变量间（） A、有直线相关关系 B、有曲线相关关系 C、有确定的直线函数关系 D、有确定的曲线函数关系 E、不存在相关关系 6、根据样本算得一相关系数r，经t检验，P＜0.01说明（） A、两变量有高度相关 B、r来自高度相关的相关总体 C、r来自总体相关系数ρ的总体 D、r来自ρ≠0的总体 E、r来自ρ＞0的总体 7、相关系数显著检验的无效假设为（） A、r有高度的相关性 B、r来自ρ≠0的总体 C、r来自ρ＝0的总体 D、r与总体相关系数ρ差数为0 E、r来自ρ＞0的总体
数理统计实验报告
《概率论与数理统计》实验报告 学生姓名 学生班级 学生学号 指导教师 学年学期
实验报告一
实验内容实验过程（实验操作步骤）实验结果 1．某厂生产的化纤强度 2 ~(,0.85) X Nμ，现抽取一个容量为25 n=的样本，测定其强度，得样本均值 2.25 x=，试求这批化纤平均强度的置信水平为0.95的置信区间．第1步：打开【单个正太总体均值 Z估计活动表】。 第2步：在单元格【B3】中输入 0.95，在单元格【B4】中输入25， 在单元格【B5】中输入2.25，显示 结果。 由此可得，这批化纤平均 强度的置信水平为0.95的 置信区 区间为（1.92，2.58）.
2．已知某种材料的抗压 强度 2 ~(,) X Nμσ，现 随机抽取10个试件进行抗压试验，测得数据如下： 482，493，457，471，510，446，435，418，394，469 求平均抗压强度 μ的置信水平为0.95的置信区间； （2）求2 σ的置信水平为0.95的置信区间．第1步：打开【单个正太总体均值 t估计活动表】. 第2步：在D列输入原始数据. 第3步：点击【工具（T)】→选择 【数据分析（D）】→选择【描述统 计】→点击【确定】按钮→在【描 述统计】对话框输入相关内容→点 击【确定】按钮，得到F列与G列 结果。 第4步：在单元格【B3】中输入 0.95，在单元格【B4】中输入10， 在【B5】中引用G3，在【B6】中引 用G7，显示结果。 由此可得，平均抗压强度 μ的置信水平为0.95的置 信区间（432.31，482.69） 由此可得，2 σ的置信水平 为0.95的置信区间为 （586.80，4133.66）
第八章卡方检验
第八章
2 χ 检验
次数资料分析
上一张 下一张 主 页
退 出
第一节
性别 男 女
卡方检验的意义和原理
理论次数 T 50 50 100
实际次数 A 51 49 100
问男女比例是否符合1：1， 即与1：1性别比差异是否显著。 性别比差异是否显著。
χ =
2
∑
A—实际次数
(A ? T) T
2
T—理论次数
χ2是度量实际观察次数与理 论次数偏离程度的一个统计量， 论次数偏离程度的一个统计量， χ2越小， 越小，表明实际观察次数与理 论次数越接近； 论次数越接近； χ2 =0，表示两 者完全吻合； 者完全吻合； χ2越大， 越大，表示两者 相差越大。 相差越大。
上一张 下一张 主 页 退 出
在对次数资料进行χ2检验利用连续型随 机变量χ2分布计算概率时， 分布计算概率时，常常偏低， 常常偏低，特 别是当自由度为1时偏差较大。 时偏差较大。 Yates(1934)提出了一个矫正公式， 提出了一个矫正公式，矫正 后的χ2值记为
χ =∑
2 c
( A ? T ? 0.5) T
2
上一张 下一张 主 页
退 出
当自由度大于1时，χ2分布与连续型随机 变量χ2分布相近似 ，这时， 这时，可不作连续性矫 正 ， 但 要 求各组内的理论次数不小于5。若 某组的理论次数小于5，则应把它与其相邻的 一组或几组合并， 一组或几组合并，直到理论次数大 于5 为 止。
卡方检验12
表内用虚线隔开的这四个数据是整个表中的基本资料，其余数据均由此推算出来；这四格资料表就专称四格表（fourfold table），或称2行2列表（2×2 contingency table）从该资料算出的两种疗法有效率分别为44.2%和77.3%，两者的差别可能是抽样误差所致，亦可能是两种治疗有效率（总体率）确有所不同。这里可通过x2检验来区别其差异有无统计学意义，检验的基本公式为： 式中A为实际数，以上四格表的四个数据就是实际数。T为理论数，是根据检验假设推断出来的；即假设这两种卵巢癌治疗的有效率本无不同，差别仅是由抽样误差所致。这里可将两种疗法合计有效率作为理论上的有效率，即53/87=60.9%，以此为依据便可推算出四格表中相应的四格的理论数。兹以表20-11资料为例检验如下。 检验步骤： 1.建立检验假设： H0：π1=π2 H1：π1≠π2 α=0.05 2.计算理论数（TRC），计算公式为：
因为上表每行和每列合计数都是固定的，所以只要用TRC式求得其中一项理论数（例如T1. 1=26.2），则其余三项理论数都可用同行或同列合计数相减，直接求出，示范如下：T1.1=26.2 T1.2=43-26.2=16.8 T2.1=53-26.2=26.8 T2.2=44-26.2=17.2 3.计算x2值按公式20.12代入 4.查x2值表求P值 在查表之前应知本题自由度。按x2检验的自由度v=（行数-1）（列数-1），则该题的自由度v=（2-1）（2-1）=1，查x2界值表（附表20-1），找到x20.001（1）=6.63，而本题x2=10.0 1即x2＞x20.001（1），P＜0.01，差异有高度统计学意义，按α=0.05水准，拒绝H0，可以认为采用化疗加放疗治疗卵巢癌的疗效比单用化疗佳。 通过实例计算，读者对卡方的基本公式有如下理解：若各理论数与相应实际数相差越小，x2值越小；如两者相同，则x2值必为零，而x2永远为正值。又因为每一对理论数和实际数都加入x2值中，分组越多，即格子数越多，x2值也会越大，因而每考虑x2值大小的意义时同时要考虑到格子数。因此自由度大时，x2的界值也相应增大。 二、四格表的专用公式
非参数检验(卡方检验)实验报告
. . 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
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。 本例Kappa值为0.680，P=0.000<0.01，拒绝无效假设，即认为两种检测方法结果存在一致性，Kappa值=0.680，0.7>Kappa≥0.4，表明一致性一般。 例1 表12 周日频数表 观察数期望数残差 1 11 16.0 -5.0 2 19 16.0 3.0 3 17 16.0 1.0 4 1 5 16.0 -1.0 5 15 16.0 -1.0 6 16 16.0 .0 7 19 16.0 3.0 总数112 分析：表12结果显示一周各日死亡的理论数（Expected）为16.0，即一周各日死亡均数；还算出实际死亡数与理论死亡数的差值（Residual）。 表13 检验统计量 周日 卡方 2.875a df 6 渐近显著性.824 a. 0 个单元 (.0%) 具有小于 5 的期望频率。单元最小期望频率为 16.0。 分析：Chi-Square过程，调用此过程可对样本数据的分布进行卡方检验。卡方检验适用于配合度检验，主要用于分析实际频数与某理论频数是否相符。卡方值X2=2.875，自由度数（df）=6，P=0.824>0.05，差异不显著，即可认为一周各日的死亡危险性是相同的。 例2 表14 二项式检验 类别N 观察比例检验比例精确显著性（双侧）性别组 1 0 12 .30 .50 .017 组 2 1 28 .70
第十二章 卡方检验
第十二章 卡方检验 学习要点 第一节 卡方分布 第二节 卡方检验 第三节 卡方检验的用途 本章小结 学习要点 1．领会χ2检验的思想和应用条件 2．熟练掌握适合性检验和独立性检验的各种方法 3．初步掌握SPSS 中关于χ2分析的操作方法 第一节 卡方分布 一、2 χ的意义及特性 （一）2χ的基本数学定义 χ是一个希腊子母，读音chi （即卡，西，开等），2χ读作“卡平方”或“卡方”，是 国际通用的统计符量。2 χ是表示实测次数与理论次数（即期望次数）之间差异程度的指标，其基本数学定义是实测次数与期望次数之差的平方与期望次数的比率。若以0f 表示实测次数，t f （或e f ）表示期望次数，则有 ()e e f f f 2 02 -= χ 实测次数与期望次数差异的大小用2 χ值的大小来说明。2 χ检验（chi-square test ）就是检验实测次数与期望次数是否一致的统计方法。
（二）2 χ特性 1．可加性。2 χ的可加性是指若干个相互独立的2 χ值相加后的和仍然是一个2 χ值。根据数学基本定义得到的是一个2 χ值，而根据2 χ可加性的特征，2 χ检验的公式可写为 ()∑ -=e e f f f 2 02 χ 根据2χ可加性的特性，可以对2 χ进行合成与分解，因此2 χ检验能同时对多种资料进 行检验，能把两个或两个以上的实测次数与某种理论模型的期待次数进行比较。由上式可知， 2χ值的大小与组数有关，组数越多，2χ值越大。因此，在考虑2χ值大小的意义时，应同 时考虑组数的多少。 2．2 χ的偏离程度。由 ()∑ -=e e f f f 2 02χ可知，实测次数和理论次数的相对差距越 大，2χ值也越大。由于所得差值越大，除以e f 后，其2χ值也越大。所以2 χ值越大，其 偏离越大，差异的可能性越大；相反，2 χ值越小，偏离越小，差异的可能性越小。 3．若实测次数与理论次数相等，则2 χ值为0，即 ()0 2 02 =-= e e f f f χ 4．2χ值永远为正值。 5．2 χ分布的和也是2 χ分布。 6．2χ检验主要适用于计数资料的统计分析，它对总体分布不作任何假设，所以也称 非参数检验。2 χ检验最初是用于分析分类、非连续变量型的数据，但随着发展也可用于连 续、定量的数据，只是需按一定的标准或组距对事物分类，统计各类的人数后才能进行 2 χ检验。 二、2χ分布曲线及2 χ值表 （一）2 χ分布曲线 如果从总体中随机抽取许若干个样本，每一样本的实测次数与理论次数相比较都可以得到一个2 χ值，若干个样本就可以计算出若干个2 χ值。于是一切可能的2 χ值就组成了一个 的抽样分布，即2χ分布。如果以此绘制次数分布图，我们就可以得到一条2 χ分布曲线。 2χ分布曲线的特点是不以样本容量为转移，而以自由度为转移。自由度不同，则分布 曲线不同，所以2χ分布曲线不是一条，而是一簇。例如1=df ，2=df ，4=df ，6=df ， 10=df 的2χ分布曲线如图12-1所示。2χ分布曲线的范围从0到无限大。自由度越小， 曲线越向右偏斜；随着自由度的增大，曲线逐渐趋于对称；当自由度大于30时，曲线近似正态分布。
统计学SPSS实验报告.doc
SPSS实验报告
一．实验目的 1. 掌握SPSS 的基本操作，能够熟练应用SPSS 进行基本的统计分析。 2. 在用SPSS 对具体实例进行分析的基础上能对结果进行正确的解释。 3. 在对SPSS 基本操作熟练的情况下，进一步自学SPSS 更强大的分析能。二．实验要求 1. 掌握如何通过 SPSS 进行数据的获取和管理，包括数据的录入，保存，读取，转化，增加，删除；数据集的合并，拆分，排序。 2. 了解描述性统计的作用，并掌握其 SPSS 的实现（频数，均值，标准差，中位数，众数，极差）。 3. 应用 SPSS 生成表格和图形，并对表格和图形进行简单的编辑和分析。 4. 应用 SPSS 做一些探索性分析（如方差分析，相关分析） 三．实验内容 （一）.问题的提出 对不同广告方式和不同地区对某商品销售额影响进行分析。 在制定某商品的广告策略时，收集了该商品在不同地区采用不同广告形式促销后的销售额数据，分析广告形式和地区是否影响商品销售额。 自变量为广告方式（X1）和地区(X2)，因变量为销售额(Y)。 涉及地区18个，每个地区抽取样本8个,共有案例144个。 具体数据如下： X1 X2 Y 1.00 1.00 75.00 2.00 1.00 69.00 4.00 1.00 63.00 3.00 1.00 52.00 1.00 2.00 57.00 2.00 2.00 51.00 4.00 2.00 67.00 3.00 2.00 61.00 1.00 3.00 76.00 2.00 3.00 100.00 4.00 3.00 8 5.00 3.00 3.00 61.00 1.00 4.00 77.00 2.00 4.00 90.00 4.00 4.00 80.00 3.00 4.00 76.00 1.00 5.00 75.00 2.00 5.00 77.00 4.00 5.00 87.00 3.00 5.00 57.00
实验报告
《SPSS统计软件应用》 报告册 20 15 - 20 16 学年第 1 学期 班级： 学号： 姓名： 授课教师：况湘玲实验教师：杨林 学时： 1周
目录 1.实验一 SPSS的数据管理 2.实验二描述性统计分析 3.实验三均值检验 4.实验四相关分析 5.实验五因子分析 6.实验六聚类分析 7.实验七回归分析 8.实验八判别分析
实验一SPSS的数据管理 一、实验目的 1．熟悉SPSS的菜单和窗口界面，熟悉SPSS各种参数的设置； 2．掌握SPSS的数据管理功能。 二、实验内容及步骤： 1、定义spss数据结构。下表是某大学的一个问卷调查，要求将问卷调查结果表示成spss可识别的数据文件，利用spss软件进行分析和处理。 练习：创建数据文件的结构，即数据文件的变量和定义变量的属性。 表1 大学教师基本情况调查表 第一步：打开SPSS将“大学教师基本情况调查表”录入其中，在“名称”列中输入数据中的“问题”，在“值”列中输入“备选答案”。 第二步：在变量类型中选择“字符串”。在“度量标准”中将姓名对应的行改为“名义”，其余项全部是“度量”。 实验结果：
实验分析： 这个实验主要了解SPSS的每一个工具的用法，和数据的录入，同时理解各个参数的设置。 2 、高校提前录取名单的确定 某高校今年对部分考生采取单独出题、提前录取的招生模式。现有20名来自国内不同省市的考生报考该校，7个录取名额。见数据文件compute.sav. 该校制定了如下录取原则：（1）文化课成绩由数学、语文、英语和综合四门成绩组成。文化课成绩制定最低录取分数线：400分。 （2）个人档案中若有“不良记录”，不予录取。 （3）对西部考生和少数民族考生，给予加分优惠。少数民族考生加20分，西部考生加10分。 （4）对参加过省以上竞赛并取得三等奖以上名次的考生，每项加10分。 （5）文化课成绩和加分总和构成综合分，录取综合排名为前7名的学生。 练习：利用spss软件，综合利用所学，给出成绩排名的操作步骤。 实验步骤： 第一步：打开SPSS打开数据文件compute.sav. 第二步：选择“转换”工具，选择计算变量，在“目标变量”中输入“文化课成绩”，在右边的“数字表达式”中输入“语文+数学+综合+英语”，点击确定。 第三步：选择“数据”工具，选择“选择个案”，选择“如果条件满足”，在新打开的窗口中输入“文化课成绩>=400 and 不良记录=0”，点击确定。 第四步：选择“转换”工具，选择计算变量，，在“目标变量”中输入“名族加分”在右边的“数字表达式”中输入“20”，点击左下方的“如果”按钮，选择“如果个案满足条件则包括（F）”，在下面的输入框中输入“民族>1”。点击确定。 第五步：选择“转换”工具，选择计算变量，在“目标变量”中输入“省份加分”，在“数