第13章 非参数检验【2】：二项检验

参考：SPSS实战与统计思维 - 武松编著 - 微信读书

 声明：以下部分内容含AI生成

核心内容总结

详细介绍了在SPSS软件中如何使用二项检验 来验证一个二分类变量 的实际观测比例是否符合某个特定的理论比例（例如0.5）。

---

分点解释

1. 二项检验的目的：

   • 用于判断一个只有两个类别（如男/女、是/否、成功/失败）的计数资料，其分布是否符合我们预先设定的理论二项分布。

   • 最典型的应用场景就是检验比例是否为50%（即0.5），但也可以检验其他任意比例（如0.2, 0.75等）。

2. 操作步骤（以检验性别比例是否为0.5为例）：

   • 步骤一： 打开数据文件 (data01.sav)。

   • 步骤二： 依次点击菜单栏的 分析 -> 非参数检验 -> 旧对话框 -> 二项式。

   • 步骤三： 在弹出的窗口中，将“性别”变量移入“检验变量列表”。

   • 步骤四： 在“检验比例”框中输入想要检验的理论值 0.50。

   • 步骤五： 点击“确定”运行分析。

3. 一个重要技巧（针对连续数据）：

   • 如果需要检验的不是天生的分类变量（如性别），而是连续变量（如身高），可以通过设置“分割点”将其强制分为两类。

   • 

   • 示例： 将“分割点”设置为165cm，SPSS会自动将身高数据分为“≤165cm”和“>165cm”两组，然后检验这两组的比例是否符合你设定的理论比例。

4. 结果解读：

   • 关键看显著性（Sig.）值（即p值）。

   • 示例中的结果： P = 0.414。

   • 

   • 解读准则：

     • P > 0.05： 结果无统计学意义。这意味着实际观测到的比例与理论比例（0.5）之间的差异“大同小异”，可以认为是由于随机抽样误差造成的，因此没有足够证据拒绝原假设，即认为数据符合该理论二项分布。在您的例子中，就认为性别比例符合0.5。

     • P ≤ 0.05： 结果有统计学意义。这意味着实际比例与理论比例之间存在显著差异，可以认为数据不符合你设定的理论分布。

5. 适用条件与限制：

   • 核心限制： 仅适用于二分类变量。如果你尝试放入一个多分类变量（如“血型”，分为A、B、O、AB型），SPSS会无法计算并弹出警告。

   • 这是该方法的根本局限性。

6. 方法对比（与第13.1节的卡方拟合优度检验比较）：

   • 二项检验： 专用于二分类变量的比例检验。在这种情况下，它与卡方检验的结果基本一致。

   • 卡方拟合优度检验： 通用性更强，可用于任何类型的计数资料，包括二分类、多分类（如血型）和等级资料。

   • 结论： 当面对二分类变量时，两种方法均可使用；但当变量类别超过两个时，必须使用卡方拟合优度检验。

一句话总结

二项检验是SP中专用于检验二分类变量比例是否符合某个特定理论值（如50%）的简单假设检验方法，其核心在于解读p值以判断差异是否显著。