SPSS详细操作:样本均数间的多重比较

SPSS详细操作:样本均数间的多重比较

下面我们用例子来探讨:方差分析得出各组总体均数间的差异有统计学意义之后,如何进行样本均数间的多重比较。

一、问题与数据

为调查A、B、C三种治疗措施对患者谷丙转氨酶(ALT)的影响,某科室将45名患者随机分为三组,每组15人,分别采取A、B、C三种治疗措施,治疗后ALT水平(U/L)如下。试问应用三种治疗措施后,患者的ALT水平是否有差异?如果有差异,又是哪两个组间的ALT水平存在差异?

表1. 三组患者治疗后的ALT水平(U/L)

二、对数据结构的分析

整个数据资料涉及三组患者,每组15人,测量指标为血常规报告的ALT水平,因此属于多组设计的定量资料。

我们已经知道可以采用单因素方差分析的方法,比较三组总体均数之间的差异是否具有统计学意义,但如果差异有统计学意义,并不意味着任意两组之间的均数差异都有统计学意义。想进一步了解哪两个组间的ALT水平存在差异,还需要做样本均数间的多重比较。 

三、SPSS分析方法

1. 数据录入SPSS

2. 进行单因素方差分析:

(1)Analyze → General Linear Model → Univariate;

(2)主对话框设置:分析变量(ALT)送入Dependent Variable 框中→分组变量(Group)送入Fixed Factor(s) 框中;

(3)Options设置:勾选Descriptive statistics(统计描述)和Homogeneity tests(方差齐性检验)→Continue。

3. 均数间的多重比较:

(1)点击Post Hoc按钮,将Group送入Post Hoc Tests for框中→在Equal Variances Assumed(方差齐)框中,勾选几种常用的多重比较方法:

LSD、S-N-K、Bonferroni、Tukey、Šidák、Scheffé's、Dunnett

(2)在Dunnett选项下面,Control Category选择First(以A组作为对照组),Test框中勾选2-sided→Continue→OK。

四、结果解读

Tests of Between-Subjects Effects表格给出了方差分析的结果。在方差齐的条件下,Group一行结果显示,F值=68.810, P(Sig.)<0.001。

Multiple Comparisons表格给出了部分方法的多重比较结果,分别列出了每个组和其他组比较的均数的差值(Mean Difference (I-J))、标准误(Std. Error)、P值(Sig.)和均数差值的95%置信区间(95% Confidence Interval)。检验水准α设为0.05,组间差异有统计学意义的结果已用*标出。

不同多重比较方法的选择,需要结合研究设计和每个方法各自的特点及适用条件。我们以Bonferroni法和Dunnett法的结果为例,进行解读:

Bonferroni法结果显示,A组与B组的ALT水平相比,Mean Difference=-15.160 U/L,P(Sig.)<0.001;A组与C组相比,Mean Difference=1.133 U/L,P(Sig.)=1.000;B组与C组相比,Mean Difference=16.293 U/L,P(Sig.)<0.001。

Bonferroni法和Šidák法的检验原理为根据需要比较的次数来调整检验水准。以Bonferroni法为例,调整的方法有两种:1、将α’=α/m作为检验水准的调整值(m为共需比较的次数,假设m=C32=3,α’=0.05/3=0.017),两两比较得出的P值与α’进行比较,即P<0.017时才能拒绝零假设;2、将计算得到的P值扩大为原来的m倍为P’,然后将P’与0.05比较,即P’<0.05时拒绝零假设。SPSS采取的是第二种方法,直接为我们给出了Bonferroni法和Šidák法调整后的P’值,故将调整后的P’值与检验水准0.05比较即可,不用再自行计算。

Dunnett法结果显示,B组与A组的ALT水平相比,Mean Difference=15.160 U/L,P(Sig.)<0.001;C组与A组相比,Mean Difference=-1.133 U/L,P(Sig.)=0.688。

Homogeneous Subsets表格同样给出了部分方法的多重比较结果。我们以Student-Newman-Keuls(S-N-K)法的结果为例,进行解读:

C组ALT水平的均数为12.147 U/L,A组均数为13.280 U/L,C组和A组被分到一个亚组(Subset 1),P(Sig.)=0.469;B组均数为28.440 U/L,被单独分到另一个亚组(Subset 2),P(Sig.)>0.999。

五、撰写结论

A组患者ALT水平为(13.28 ± 4.39)U/L,B组患者ALT水平为(28.44 ± 3.65)U/L,C组患者ALT水平为(12.15 ± 4.64)U/L,A、B、C三种治疗措施对患者ALT水平的影响差异具有统计学意义(F=68.810,P<0.001)。其中,B组与A组,B组与C组间患者的ALT水平差异均具有统计学意义(P<0.001),A组与C组间患者的ALT水平差异无统计学意义(P>0.05)。

六、延伸阅读

SPSS中均数间多重比较方法可以分为两大类,包括多重两两比较的检验(Multiple Comparisons)和对极差进行亚组同质性的检验(Homogeneous Subsets),二者结果的表现形式有所不同,如本例结果所示。

两两比较检验给出了每个组和其他组比较的结果。亚组同质性检验则先按照每个组均数的大小进行排序,将组间均数差异无统计学意义的均数分到一个亚组,这样会形成若干个亚组,同一亚组内的均数差异无统计学意义,不同亚组间的均数差异有统计学意义。

本例中,C组和A组被分到一个亚组,说明两组间均数差异无统计学意义;B组被单独分到一个亚组,说明B组与A组、B组与C组间的均数差异都有统计学意义。数据分析师培训

转载于:https://www.cnblogs.com/amengduo/p/9587103.html

  • 2
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SPSS中进行线性回归分析后,可以通过释结果来理解模型的效果和变量的关系。下面是一些常用的解释回归结果的方法: 1. 模型显著性检验:查看ANOVA表中的“Sig.”值,该值表示模型的整体显著性水平。如果Sig.值小于预先设定的显著性水平(通常是0.05),则可以认为模型是显著的,即自变量对因变量的解释是显著的。 2. 参数估计和显著性:查看“Coefficients”表中的“Std. Error”(标准误差)和“Sig.”(显著性)列。标准误差表示估计系数的稳定性,较小的标准误差意味着估计系数更准确。显著性列显示了每个变量的t统计量和对应的p值。如果p值小于显著性水平,可以认为相关变量对因变量有显著影响。 3. 系数解释:查看“Coefficients”表中的“B”(回归系数)列。回归系数表示自变量单位变化对因变量的影响。正系数表示自变量增加与因变量增加相关,负系数表示自变量增加与因变量减少相关。系数的绝对值越大,表示自变量对因变量的影响越大。 4. R方解释:查看“Model Summary”表中的“R Square”(决定系数)和“Adjusted R Square”(调整决定系数)。决定系数表示模型解释因变量方差的比例,取值范围为0到1,越接近1表示模型解释效果越好。调整决定系数考虑了自变量个数样本量,更适用于比较不同模型的解释能力。 5. 预测解释:使用模型进行预测时,可以查看“Predicted Values”表中的“Std. Predicted Value”列。这些值表示根据模型估计的因变量的预测值。可以与实际观测值进行比较,评估模型的预测精度。 6. 多重共线性:查看自变量之的相关性,如果存在高度相关的自变量,则可能存在多重共线性问题。多重共线性会导致估计系数不稳定或不具有实际意义,需要进一步处理或排除相关自变量。 以上是一些常见的解释线性回归结果的方法。根据具体情况,你还可以使用其他统计指标和图表来解释回归结果,如残差分析、回归诊断图、变量重要性等。希望对你有所帮助!如有其他问题,请随时提问。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值