SPSS教程：可靠性分析
2.1主要功能
在精神卫生与社会医学研究中，经常需要借助量表来了解对象的某一特性。如常用的症状自评量表（SCL-90）即用于评定对象精神病症状的表现形式与强度；又如生活事件量表（LES）即用于对精神刺激进行定性和定量分析。在完成一份量表的编制工作后，或在准备将一份已有的量表作实际应用前，需要对量表的信度进行考核。
量表的使用是为了了解被测对象的某一特征，因而在编制一份量表时，所设立的一系列项目是为了体现量表需要测定的这一特征。如果所设立的测定项目无法获得这一特征，则表示该量表可靠性差，即信度低。所以，研究者有时需要了解量表中各测定项目之间的一致性（同质信度考核），有时需要将量表的测定项目按原编号的奇、偶数分半后，对各自的测定结果进行相关性检验（分半信度考核），等等，这就是量表的可靠性分析，亦即信度研究。
量表的可靠性分析可通过调用Reliability过程完成。
12.2实例操作
［例12.1］采用家庭环境量表（FES）研究30名女医师的家庭特征，测定结果按10个分量表的实际得分整理如下。请以此资料对FES的信度作评价。
12.2.1数据准备
激活数据管理窗口，定义变量名：亲密度、情感表达、矛盾性、独立性、成功性、知识性、娱乐性、道德宗教观、组织性、控制性等十个分量表的变量名依次是FES1、FES2、FES3、FES4、FES5、FES6、FES7、FES8、FES9、FES10，输入原始数据。
12.2.2统计分析
激活Statistics菜单选Scale中的Reliability Analysis...项，弹出Reliability
Analysis对话框（如图12.1示）。从对话框左侧的变量列表中选fes1~fes10共十个变量，点击 钮使之进入Items框。点击Model处的下拉菜单，系统提供5种分析模型：
Alpha：计算信度系数Cronbach α值；
Split half：分半信度的分析；
Guttman：真实可靠性的Guttman低界；
Parallel：并行模型假定下的极大似然可靠性估计；
Strict parallel：严格并行模型假定下的极大似然可靠性估计。
本例选用Alpha模型。
点击Statistics...钮，弹出Reliability Analysis: Statistics对话框（图12.2），该对话框内含如下选项：
在Descriptives for栏中选Item、Scale、Scale if item deleted项，以指定对各项目、测定得分情况和项目与量表总体特征关系进行描述性统计；
在Summaries处有四个选项：Means、V ariances、Covariances和Correlations，可分别要求系统计算在Descriptives for栏中指定对象的平均数、方差、协方差和相关系数，本例选Means、V ariances和Correlations三项；
在Inter-Item处有Correlations和Covariances两项，前者可计算项目间的两两相关系数，后者可计算项目间的两两协方差值，本例选Correlations项；
在ANOV A Table处有None、F test、Friedman chi-square、Cochran chi-square 四个选项，其意义分别是：不作方差分析、作重复度量的方差分析、计算Friedman 和Kendall谐和系数（适用于等级资料）、计算Cohran Q值（适用于所有项目均为二分变量），本例选F test项；
此外，还有Hotelling’s T-square选项，可要求作项目间平均得分的相等性检验；Tukey’s test of additivity选项，可要求作可加性的Tukey检验，本例仅选前一项。在完成各选项的选择之后，点击Continue钮返回Reliability Analysis对话框，再点击OK钮即完成分析。
12.2.3结果解释
在结果输出窗口中将看到如下统计数据：
首先计算各项目在30名被试中测定结果的均数与标准差。然后输出项目间的两两相关系数矩阵，从中可见，第三项目（矛盾性）与第十项目（控制性）的相关程度最密切（r = 0.5038）。
接着显示对整个量表的统计分析结果。该量表的平均得分为39.8000，标准差为4.8309；平均每个项目的得分为3.9800，极差为2.5333；各项目的方差平均为1.4634；项目间的相关系数范围为-0.2741—0.5038。
之后考查项目与量表得分的关系，方式是：若将某一项目从量表中剔除，则量表的平均得分（Scale Mean if Item Deleted）、方差（Scale V ariance if Item Deleted）、每个项目得分与剩余各项目得分间的相关系数（Corrected Item-Total Correlation）、以该项目为自变量所有其他项目为应变量建立回归方程的R2值（Squared Multiple Correlation）以及Cronbach α值（Alpha if Item Deleted）会是多少。如本例在每个项目得分与剩余各项目得分间的相关系数中，第十项目（控制性）最大，为0.5009，表明该项目与其他各项目关系最密切。又如R2值，第十项目（控制性）最大，为0.7345，表明其含义有73.45%可被其他项目解释掉，而第八项目（道德宗教观）最小，为0.1556，表明其含义仅有15.56%可被其他项目解释掉。
经Hotelling T2检验可知，该量表的项目间平均得分的相等性好，即项目具有内在的相关性；在量表的信度检验中，Cronbach α= 0.4144，标准化Cronbach α= 0.4161。Cronbach α系数的意义是：个体在这一量表的测定得分与如果询问所有可能项目的测定得分的相关系数的平方，即这一量表能获得真分数的能力。本例为0.4144，意味着对于家庭情况，FES量表尚有58.56%的内容未曾涉及，故信度不高。
患者生存状态的影响因素分析 ——生存资料的COX回归分析1、问题与数据 某研究者拟观察某新药的抗肿瘤效果，将70名肺癌患者随机分为两组，分别采用该新药和常规药物进行治疗，观察两组肺癌患者的生存情况，共随访2年。研究以死亡为结局，两种治疗方式为主要研究因素，同时考虑调整年龄和性别的影响，比较两种疗法对肺癌患者生存的影响是否有差异。变量的赋值和部分原始数据见表1和表2。 表1. 某恶性肿瘤的影响因素与赋值 表2. 两组患者的生存情况 group gender age time survival 0 1 0 22 1 0 1 1 10 1 0 1 1 64 1 0 1 1 12 1 0 1 0 17 1 1 0 0 19 1 1 1 1 4 1 1 0 1 1 2 0 1 0 0 5 0 1 1 1 27 0 2、对数据结构的分析 该研究以死亡为结局，治疗方式为主要研究因素，每个研究对象都有生存时
间（随访开始到死亡、失访或随访结束的时间），同时考虑调整年龄和性别的影响。欲了解两种疗法对肺癌患者生存的影响是否有差异，可以用Cox比例风险模型（Cox proportional-hazards model，也称为Cox回归）进行分析。 实际上，Cox回归的结局不一定是死亡，也可以是发病、妊娠、再入院等。其共同特点是，不仅考察结局是否发生，还考察结局发生的时间。 在进行Cox回归分析前，如果样本不多而变量较多，建议先通过单变量分析（KM法绘制生存曲线、Logrank检验等）考察所有自变量与因变量之间的关系，筛掉一些可能无意义的变量，再进行多因素分析，这样可以保证结果更加可靠。即使样本足够大，也不建议把所有的变量放入方程直接分析，一定要先弄清楚各个变量之间的相互关系，确定自变量进入方程的形式，这样才能有效的进行分析。 单因素分析后，应当考虑应该将哪些自变量纳入Cox回归模型。一般情况下，建议纳入的变量有：1）单因素分析差异有统计学意义的变量（此时，最好将P值放宽一些，比如0.1或0.15等，避免漏掉一些重要因素）；2）单因素分析时，没有发现差异有统计学意义，但是临床上认为与因变量关系密切的自变量。 3、SPSS分析方法 （1）数据录入SPSS
第十四章活着－－Survival菜单详解（下） （医学统计之星：董伟） 上次更新日期： 13.1 Life Tables过程 13.1.1 界面说明 13.1.2 结果解释 13.2 Kaplan-Meier过程 13.2.1 界面说明 13.2.2 结果解释 13.3 Cox Regression过程 13.3.1 界面说明 13.3.2 结果解释 13.4 Cox w/Time-Dep Cov过程 13.4.1 界面说明 13.4.2 结果解释 §13.3 Cox Regression过程 上面给大家介绍的是两种生存分析方法，但它们只能研究一至两个因素对生存时间的影响，当对生存时间的影响因素有多个时，它们就无能为力了，下面我给大家介绍Cox Regression过程，这是一种专门用于生存时间的多变量分析的统计方法。 Cox Regression过程主要用于： 1、用以描述多个变量对生存时间的影响。此时可控制一个或几个因素，考察其他因素对生存时间的影响，及各因素之间的交互作用。 例13.3 40名肺癌患者的生存资料（详见胡克震主编的《医学随访统计方法》 生存时间状态生活能力评分年龄诊断到研究时间鳞癌小细胞癌腺癌疗法癌症类别4111706451001 1.00 1261606391001 1.00 11817065111001 1.00 0，1，0为小细胞癌；0，0，1为腺癌。表中的最后一个变量是我加上去的癌症类别，1为鳞癌；2为小细胞癌；3为腺癌；4为其它癌。实践表明结果与用亚变量计算一样。 13.3.1 界面说明
图9 Cox回归主对话框 【Time】框、【Status】框前文已经介绍过了，这里我就不再废话唠叨的了。Block 1 of 1右边的Next钮被激活。这个按钮用于确定不同自变量进入回归方程的方法，详见Method框的内容。用同一种方法进入回归方程的自变量在同一个Covariates框内。 【Covariates】框 选入自/协变量，即选入你认为可能对生存时间有影响的变量。 【Method】框 选择自变量进入Cox回归方程的方法，SPSS提供下面几种方法：?Enter: Covariates框内的全部变量均进入回归模型。 ?Forward: Conditional: 基于条件参数估计的向前法。 ?Forward: LR: 基于偏最大似然估计的向前法。 ?Forward: Wald: 基于Wald统计量的向前法。 ?Backward: Conditional: 基于条件参数估计的后退法。 ?Backward: LR: 基于偏最大似然估计的后退法。 ?Backward: Wald: 基于Wald统计量的后退法。 【Strata】框 定义分层因素,将生存时间按分层因素分别进行Cox回归。 【Categorical】选项 用于告诉系统，Covariates框内的变量中哪些是分类变量或字符型变量。系统默认字符型变量为分类变量，数字型变量为连续型变量。 选入自变量后，categorical钮被激活。按categorical钮，进入确定分类变量的对话框。见图10。
SPSS Survival(生存分析)菜单 SPSS Survival菜单包括Life Tables过程、Kaplan-Meier过程、Cox Regression过程、Cox w/Time-Dep Cov过程。这里只介绍Life Tables 过程和Kaplan-Meier过程。 Life Tables过程 Life Tables过程用于： 1、估计某生存时间的生存率。 2、绘制各种曲线如生存函数、风险函数曲线等。 3、对某一研究因素不同水平的生存时间分布进行比较，控制另一因素后对研究因素不同水平的生存时间分布进行比较，包括从总体上比较和不同水平之间进行两两比较。 一、建立数据文件 定义两个列变量： 时间变量：取名“time”，label标上“survival time(week)”。 生存状态变量：取名“status”，并赋值：0=“删失”，1=“死亡”。 二、操作过程 从菜单选择 1、Analyze==>Survival ==>Life Tables 2、Time框：选入time 3、Display Time Intervals框：在by前面的框内填入生存时间上限，本例填入20（此区间必须包括生存时间的最大值）；在by后面的框内填入生存时间的组距，本例填入5，以保证结果列出“15-”的组段。
4、Status框：选入status；击define events钮,在single value框右边的空格中输入1 5、单击Option按钮，弹出对话框： Life Table(s) 输出寿命表，系统默认 Plots: 选Survival（累积生存函数曲线） 击Continue 6、单击OK钮 附：界面说明 图1 寿命表主对话框 【Time】框 选入生存时间变量。 【Display Time Intervals】框
生存分析的ｃox回归模型案例——spss
————————————————————————————————作者: ————————————————————————————————日期: ?
一、生存分析基本概念 1、事件(Evｅｎt） 指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同,事件可以是患者的死亡、疾病的复发、仪器的故障,也可以是下岗工人的再就业等等。 2、生存时间(Survｉvaｌtiｍｅ） 指从某一起点到事件发生所经过的时间。生存是一个广义的概念,不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间,或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程,也可以作为生存时间来考虑。 ３、删失（Ｓｅnsorｉｎg） 指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致:（1）失访;(2）在研究终止时，所关心的事件还未发生。 ４、生存函数(Surｖｉval distributioｎfunｃｔioｎ） 又叫累积生存率，表达式为S(ｔ)=Ｐ(T>t）,其中Ｔ为生存时间,该函数的意义是生存时间大于时间点t的概率。ｔ＝０时S(ｔ)=1，随着t的增加S（t)递减(严格的说是不增)，1-Ｓ(t）为累积分布函数，表示生存时间Ｔ不超过t的概率。? 二、生存分析的方法 1、生存分析的主要目的是估计生存函数，常用的方法有Kapｌan-Meier法和寿命表法。对于分组数据，在不考虑其他混杂因素的情况下,可以用这两种方法对生存函数进行组间比较。 2、如果考虑其他影响生存时间分布的因素，可以使用Cox回归模型（也叫比例风险模型）,利用数学模型拟合生存分布与影响因子之间的关系,评价影响因子对生存函数分布的影响程度。这里的前体是影响因素的作用不随时间改变,如果不满足这个条件，则应使用含有时间依存协变量的Cox回归模型。 下面用一个例子来说明SＰSS中Cox回归模型的操作方法。 例题 要研究胰腺癌术中放疗对患者生存时间的影响，收集了下面所示的数据:
生存分析的c o回归模 型案例s p s s HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
一、生存分析基本概念 1、事件（Event） 指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同，事件可以是患者的死亡、疾病的复发、仪器的故障，也可以是下岗工人的再就业等等。 2、生存时间(Survival time) 指从某一起点到事件发生所经过的时间。生存是一个广义的概念，不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间，或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程，也可以作为生存时间来考虑。 3、删失（Sensoring） 指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致：（1）失访；（2）在研究终止时，所关心的事件还未发生。 4、生存函数（Survival distribution function） 又叫累积生存率，表达式为S（t）=P(T>t),其中T为生存时间，该函数的意义是生存时间大于时间点t的概率。t=0时S(t)=1，随着t的增加S(t)递减（严格的说是不增），1-S(t)为累积分布函数，表示生存时间T不超过t的概率。 二、生存分析的方法 1、生存分析的主要目的是估计生存函数，常用的方法有Kaplan-Meier法和寿命表法。对于分组数据，在不考虑其他混杂因素的情况下，可以用这两种方法对生存函数进行组间比较。 2、如果考虑其他影响生存时间分布的因素，可以使用Cox回归模型（也叫比例风险模型），利用数学模型拟合生存分布与影响因子之间的关系，评价影响因子对生存函数分布的影响程度。这里的前体是影响因素的作用不随时间改变，如果不满足这个条件，则应使用含有时间依存协变量的Cox回归模型。 下面用一个例子来说明SPSS中Cox回归模型的操作方法。 例题 要研究胰腺癌术中放疗对患者生存时间的影响，收集了下面所示的数据： 操作步骤： SPSS变量视图 菜单选择： 点击进入Cox主对话框，如下，将time选入“时间”框，将代表删失的censor变量选入“状态”框，其余分析变量选入“协变量”框。其余默认就行。 点击“状态”框下方的“定义事件”，将事件发生的标志设为值0，即0代表事件发生。 在主对话框中点击“分类”按钮，进入如下的对话框，将所有分类变量选入右边框中。 在主对话框中点击“绘图”按钮，进入如下的对话框，选择绘图的类型，这里只选择“生存函数”。由于我们关心的主要变量是trt（是否放疗），所以将trt选入“单线”框中，绘制生存曲线。 在主对话框中点击“选项”按钮，进入如下的对话框，设置如下，输出RR的95%置信区间。回到主界面，点击“确定”输出结果。 结果输出
SPSS Survival（生存分析）菜单 SPSS Survival 菜单包括Life Tables 过程、Kaplan-Meier 过程、Cox Regression 过程、Cox w/Time-Dep Cov 过程。这里只介绍Life Tables 过程和Kaplan-Meier 过程。 Life Tables 过程 Life Tables 过程用于： 1、估计某生存时间的生存率。 2、绘制各种曲线如生存函数、风险函数曲线等。 3、对某一研究因素不同水平的生存时间分布进行比较，控制另一因素后对研究因素不同水平的生存时间分布进行比较，包括从总体上比较和不同水平之间进行两两比较。 一、建立数据文件 定义两个列变量：时间变量：取名“ time”，label 标上“ survival time(week) 。” 生存状态变量：取名“ status”并赋值：0= “删失” ,1= “死亡”。二、操作过程从菜单选择 1 、Analyze==>Survival ==>Life Tables 2、Time 框：选入time 3、Display Time Intervals 框：在by 前面的框内填入生存时间上限，本例 填入20(此区间必须包括生存时间的最大值) ；在by 后面的框内填入生存时间的组距，本例填入5，以保证结果列出“1 5- ”的组段。
4、 StatUS 框：选入 StatUs ;击 define events 钮,在 SingIe value 框右边的空 格中输入1 5、 单击OPtiOn 按钮，弹出对话框： Life TabIe(S)输出寿命表，系统默认 Plots:选SUrViVaI (累积生存函数曲线) 击 COntinUe 6、单击OK 钮 附：界面说明 J Lire Tabled ____ I Tim?: 口加 Status ： ^d(∪ Factor: Ey FaCtor: JPti OlkE .一 图1 寿命表主对话框 【Time 】框 选入生存时间变量 【DiSPIay Time InterVaIS 】框 欲输出生存时间范围及组距。 DiSPlay Time Interval≡ 0 20
SPSＳSurvivａl(生存分析）菜单SPSS Ｓurviｖal菜单包括ＬｉfｅTableｓ过程、Kaplan-Meier过程、Cox Rｅgressｉｏn过程、Cox w／Tｉme-Dep Ｃｏｖ过程。这里只介绍Life Tableｓ过程与Kaｐlaｎ－Ｍeｉer过程。 LｉfeＴａbles过程 ＬifｅTabｌes过程用于： 1、估计某生存时间得生存率。 2、绘制各种曲线如生存函数、风险函数曲线等。 3、对某一研究因素不同水平得生存时间分布进行比较,控制另一因素后对研究因素不同水平得生存时间分布进行比较,包括从总体上比较与不同水平之间进行两两比较。 一、建立数据文件 定义两个列变量: 时间变量：取名“tｉme”，lａbel标上“ｓｕrvｉｖalｔime(ｗｅek)”。 生存状态变量:取名“status”，并赋值:0=“删失”,1＝“死亡”。 二、操作过程 从菜单选择 １、Anａlyze==>Survｉｖａｌ=＝>LiｆｅTables 2、Ｔime框:选入tｉme ３、Dispｌay Tiｍe Inｔeｒｖａls框:在by前面得框内填入生存时间上限,本例填入20（此区间必须包括生存时间得最大值）；在bｙ后面得框内填
入生存时间得组距,本例填入５，以保证结果列出“15-”得组段。 4、Statuｓ框:选入statuｓ;击ｄeｆine eｖents钮,在ｓｉngｌe vaｌue框右边得空格中输入1 5、单击Option按钮,弹出对话框: ●Life Table（ｓ）输出寿命表,系统默认 ● Plots:选Suｒｖival(累积生存函数曲线) 击Ｃｏnｔinuｅ ６、单击OK钮 附：界面说明 图1 寿命表主对话框 【Timｅ】框 选入生存时间变量。
一、生存分析基本概念 1、事件（Event） 指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同，事件可以是患者的死亡、疾病的复发、仪器的故障，也可以是下岗工人的再就业等等。 2、生存时间(Survival time) 指从某一起点到事件发生所经过的时间。生存是一个广义的概念，不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间，或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程，也可以作为生存时间来考虑。 3、删失（Sensoring） 指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致：（1）失访；（2）在研究终止时，所关心的事件还未发生。 4、生存函数（Survival distribution function） 又叫累积生存率，表达式为S（t）=P(T>t),其中T为生存时间，该函数的意义是生存时间大于时间点t的概率。t=0时S(t)=1，随着t的增加S(t)递减（严格的说是不增），1-S(t)为累积分布函数，表示生存时间T不超过t的概率。 二、生存分析的方法 1、生存分析的主要目的是估计生存函数，常用的方法有Kaplan-Meier法和寿命表法。对于分组数据，在不考虑其他混杂因素的情况下，可以用这两种方法对生存函数进行组间比较。 2、如果考虑其他影响生存时间分布的因素，可以使用Cox回归模型（也叫比例风险模型），利用数学模型拟合生存分布与影响因子之间的关系，评价影响因子对生存函数分布的影响程度。这里的前体是影响因素的作用不随时间改变，如果不满足这个条件，则应使用含有时间依存协变量的Cox回归模型。 下面用一个例子来说明SPSS中Cox回归模型的操作方法。 例题 要研究胰腺癌术中放疗对患者生存时间的影响，收集了下面所示的数据：
将生存时间按从小到大顺序排列如下： 表1 BCG治疗组生存情况 *死亡=1；删失=0
23.0 26.9 1 1 2 1 *死亡=1；删失=0 按上述二表将数据输入SPSS软件，其中数据编号为i，列（1）即时间为t，列（3）即生存结局为status，表1为group1，表2为group2。 选择Analyze中的Survival里的Kaplan-Meier分析，将Time，Status，Factor依次选定，option 和Compare Factor依次设定完成后，得到输出结果，结果分析如下： Survival Table中： 1为BCG治疗组患者生存率（Estimate）及其标准误（Std. Error）的计算结果。2为药物与BCG结合治疗组患者生存率（Estimate）及其标准误（Std. Error）的计算结果。 Overall Comparisons Chi-Square df Sig.
Test of equality of survival distributions for the different levels of group. 两组生存率的log-rank 检验 H 0：两种疗法患者生存率相同 H 1：两种疗法患者的生存率不同 α=0.05 采用SPSS 软件对两组生存率进行检验，得到上面Overall Comparisons 表，其中第一行为LogRank 检验结果。即X 2=0.057，P=0.811。按α =0.05水准，不拒绝H 0，还不能认为用BCG 疗法和用药物与BCG 结合疗法治疗黑色素瘤患者的生存率有差别。 生存曲线如上图所示，其中生存时间为横轴，生存率为纵轴。
医学统计学S P S S生存分 析实例 The Standardization Office was revised on the afternoon of December 13, 2020
将生存时间按从小到大顺序排列如下： 表1 BCG治疗组生存情况 按上述二表将数据输入SPSS软件，其中数据编号为i，列（1）即时间为t，列（3）即生存结局为status，表1为group1，表2为group2。 选择Analyze中的Survival里的Kaplan-Meier分析，将Time，Status，Factor 依次选定，option和Compare Factor依次设定完成后，得到输出结果，结果分析如下： Survival Table中： 1为BCG治疗组患者生存率（Estimate）及其标准误（Std. Error）的计算结果。
2为药物与BCG结合治疗组患者生存率（Estimate）及其标准误（Std. Error）的计算结果。 Overall Comparisons Test of equality of survival distributions for the different levels of group. 两组生存率的log-rank检验 H ：两种疗法患者生存率相同 ：两种疗法患者的生存率不同 H 1 α= 采用SPSS软件对两组生存率进行检验，得到上面Overall Comparisons表，其中第 ，还不能认为用BCG疗一行为LogRank检验结果。即X2=，P=。按α=水准，不拒绝H 法和用药物与BCG结合疗法治疗黑色素瘤患者的生存率有差别。 生存曲线如上图所示，其中生存时间为横轴，生存率为纵轴。