SPSS 学习记录

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

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。