不想看过的内容一段时间之后就忘记了,记录一下,加深印象
简单使用,不考究原理,有时间再研究
SPSS 学习记录
t 检验
检验两个总体间的差异
单样本t 检验
问题:A 和B 之间有无差异
步骤:分析-比较均值-单样本t 检验
两独立样本t检验
问题:A和B 总体有无差异
条件:两组独立,正态,方差齐
可随机分组,也可按照属性(比如性别)分组
步骤:分析-比较均值-独立样本t检验- 加入分组变量
结果解读:F ,P <0.05 表示形态分布有差异,不适合比较
然后再看t,p
配对t 样本独立检验
设计:图为干预前后配对设计,相减后变成单样本 t 检验
方差分析
单因素设计方差分析
概念:研究一个研究因素不同水平(k >= 3) 的计量变量比较
问题:ABC 之间是否有差异
条件:独立、正态、方差齐
步骤:
(1)分析-比较平均值-单因素ANOVA 检验
(2)选择因变量和因子
(3)选项按钮—描述和方差齐性检验
(4)事后比较—SND和SNK 方法 (目的:如果是有差异的,后续找出哪两组有差异或者是都有差异)
注:方差不齐时最好采用非参数检验
后面的方差分析还没看懂…
卡方检验
成组四格表卡方
计数资料组间比较,A 和B 有无差别
步骤:
- 分析-描述统计-交叉表
- 行列设置
- 统计–卡方
- 单元格–行百分比
结果分析:
N 指总的样本量
T 是指理论频数
(1)N≥40 and T≥5:选择Pearson卡方
(2)N≥40 and 1≤T<5:选择连续性校正χ2检验
(3)n<40 or T<1:选择Fisher精确概率法
(4)N≥40 and T≥5:选择似然比χ2检验与Pearson卡方一致
R x C 表
包括2 x C , R x 2, R x C 三种情况
步骤同上
成组R x C 表效应指标比较:在单元格一步,增加比较列比例
线性趋势卡方
等级资料比较
R x C 表 (单向有序)
比如:列有序 治疗效果的治愈、显效、好转,无效(等级资料)
行变量一般为干预因素,列变量为试验效应指标
行有序:比如疾病进行的周期与表达效果
R x C (双向有序)
属性相同(Kappa 一致性检验)
例:两个医生对同一批病理切片的判断结果
Kappa值的专业意义如下:Kappa≥0.75时,表明两者一致性较好;0.75>Kappa ≥0.4时,表明一致性一般;Kappa<0.4时,表明两者一致性较差。
属性不同(Spearman 相关性)
非参数检验
参数检验只适用于符合条件的计量资料的组间比较。
非参数检验不需要知道原始数据的数值大小,只需要知道数据的位次即可进行分析。
非参数卡方
作用:用于分析单组计数资料是否符合特定的分布
步骤:分析 - 非参数 - 旧对话框 - 卡方
1:1 所有类别相等,特定比例就是 值 设置 如0.4:0.6
二项检验
步骤:分析 - 非参数 - 旧对话框 - 二项
游程检验
作用:验证一组数据是否符合随机分布
游程检验是将研究数据转化为由0或1连续构成的串,称为一个游程,一个游程中的数据的个数称为游程的长度,一个序列中游程的个数用R表示,表示0和1交替轮换的频繁程度。如序列1100001110110000111100,R=8,游程长度分别为2、4、3、1、2、4、4、2。游程数过多说明周期特征明显,流程过少说明数据存在聚集。
步骤:分析 - 非参数 - 旧对话框 - 游程
单样本K-S 检验
作用:检验数据是否符合某种分布,(正态、泊松、均匀、指数)
步骤:分析 - 非参数 - 旧对话框 - KS检验
独立样本检验
一般为两组独立样本
步骤:分析 - 非参数 - 旧对话框 - 2独立样本
设置检验变量和分组变量,选择检验类型
检验方法:
Mann-Whitney U 检验、K-S检验、W-W 检验、摩西极端反应检验
K独立样本检验
检验方法:Kruskal-Wallis H检验、中位数检验、Jonckheere-Terpstra检验
步骤:分析 - 非参数 - 旧对话框 - K独立样本
如果有差异则需要进一步比较:
分析 - 非参数 - 独立样本
设置检验字符,在设置中选择定制检验,使用kruskal-Wallis H 检验,检验成对比较
2个相关样本检验
检验方法:Wilcocon 检验、Sign 检验、McNemar 检验、Marginal Homogeneity 检验
K个相关样本检验
检验方法:Friedman 、Kendall’s W 、Cochran’s Q
多元方差分析
单组多变量分析
步骤: 分析-一般线性模型-多变量
两组多变量分析
步骤: 分析-一般线性模型-多变量
增加固定因子
多组多变量分析
步骤: 分析-一般线性模型-多变量
增加:勾选比较主效应,勾选协方差矩阵和方差同质性检验
。。。。
参数检验和非参数检验
非参数检验和参数检验
参数检验和非参数检验共同构成差异性统计分析的内容。参数检验往往对总体参数有一定的假定,如前述的t检验、F检验;这些检验都假设样本来自于正态分布的总体,将总体的数字特征看做未知的“参数”,通过样本的数据特征对其总体进行统计推断。然而在实际研究中,很多情况下,数据并不满足参数检验的条件,非参数检验应运而生。非参数检验适用的范围很广,对资料没有要求,对总体分布几乎没有什么假定,只是有时对分布的形状做一些诸如连续、对称等的简单假设。
非参数检验的优点
相对于参数检验,非参数检验有以下优点:
(1)对数据的要求不严格,对资料的分布类型要求比较宽松。
(2)检验方法灵活,使用的范围广泛。
(3)非参数检验的计算相对简单,易于理解和掌握。
非参数检验的缺点
任何检验方法都有其优点和缺点,非参数检验也不例外。
(1)非参数检验方法对总体要求不高,适用于任何分布类型的资料,但其方法本身缺乏针对性,当资料满足参数检验的条件时,使用非参数检验会大大降低检验的功效。
(2)非参数检验的方法简单,主要使用等级或符号秩,而不是使用资料提供的原始数据,因此降低了原始信息的使用率,其检验的有效性也就比较差了。
两种检验的选择与效度
(1)如果资料符合参数检验的条件,当然优先选择参数检验,当条件不符合时才采用非参数检验;
(2)如果资料采用非参数检验,可以得到P<0.05,那么当资料符合参数检验的条件时,参数检验的P肯定小于0.05;若非参数P>0.05,此时参数检验的P值不一定大于0.05,也有可能小于0.05。举个例子,参数检验就是CT,非参数就是X胸片。
(3)非参数检验由于没有利用数据的具体数值信息,只利用了其位次信息,因此,非参数检验的效度没有参数检验高。
(4)很多人采用非参数,得到P<0.05,发文章不愿意说是非参数检验的结果,怕审阅者说数据质量不高,其实大可不必,非参数也是一种很好的检验方法;如果非参数P>0.05,此时反而不太好解释,因为很可能是数据的问题,导致其中的差异并未能被发现。