SPSS：多个样本率的卡方检验及两两比较来自：医咖会医咖会之前推送过“两个率的比较(卡方检验)及Fisher精确检验的SPSS教程”，小伙伴们都掌握了吗？如果不止两个分组，又该如何进行卡方检验以及之后的两两比较呢？来看详细教程吧！1、问题与数据某医生拟探讨药物以外的其他方法是否可降低患者的胆固醇浓度，如增强体育锻炼、减少体重及改善饮食习惯等。
该医生招募了150位高胆固醇、生活习惯差的受试者，并将其随机分成3组。
其中一组给予降胆固醇药物，一组给予饮食干预，另一组给予运动干预。
经过6个月的试验后，该医生重新测量受试者的胆固醇浓度，分为高和正常两类。
该医生收集了受试者接受的干预方法（intervention）和试验结束时胆固醇的风险程度（risk_level）等变量信息，并按照分类汇总整理，部分数据如下：注释：本研究将胆固醇浓度分为“高”和“正常”两类，只是为了分析的方便，并不代表临床诊断结果。
2、对问题的分析研究者想判断干预后多个分组情况的不同。
如本研究中经过降胆固醇药物、饮食和运动干预后，比较各组胆固醇浓度的变化情况。
针对这种情况，我们建议使用卡方检验(2×C)，但需要先满足5项假设：假设1：观测变量是二分类变量，如本研究中试验结束时胆固醇的风险程度变量是二分类变量。
假设2：存在多个分组（>2个），如本研究有3个不同的干预组。
假设3：具有相互独立的观测值，如本研究中各位受试者的信息都是独立的，不会相互干扰。
假设4：研究设计必须满足：(a) 样本具有代表性，如本研究在高胆固醇、生活习惯差的人群中随机抽取150位受试者；(b) 目的分组，可以是前瞻性的，也可以是回顾性的，如本研究中将受试者随机分成3组，分别给予降胆固醇药物、饮食和运动干预。
假设5：样本量足够大，最小的样本量要求为分析中的任一预测频数大于5。
经分析，本研究数据符合假设1-4，那么应该如何检验假设5，并进行卡方检验(2×C)呢？3、思维导图4、SPSS操作4.1 数据加权在进行正式操作之前，我们需要先对数据加权，如下：(1)在主页面点击Data→Weight Cases弹出下图：(2)点击Weight cases by，激活Frequency Variable窗口(3)将freq变量放入Frequency Variable栏(4)点击OK4.2 检验假设5数据加权之后，我们要判断研究数据是否满足样本量要求，如下：(1)在主页面点击Analyze→Descriptive Statistics→Crosstabs弹出下图：(2)将变量intervention和risk_level分别放入Row(s)栏和Column(s)栏(3)点击Statistics，弹出下图：(4)点击Chi-square(5)点击Continue→Cells(6)点击Counts栏中的Expected选项(7)点击Continue→OK经上述操作，SPSS输出预期频数结果如下：该表显示，本研究最小的预测频数是24.7，大于5，满足假设5，具有足够的样本量。
SAS学习系列27.-秩和检验27. 秩和检验（一）参数检验与非参数检验通常情况下，对数据进行分析时，总是假定误差项服从正态分布，因为正态分布的原始出发点就是来自于误差分布，至于当样本相当大时，数据的正态近似，这是由于大样本理论所保证的。
但有些资料不一定满足上述要求，或不能测量具体数值，其观察结果往往只有程度上的区别，如颜色的深浅、反应的强弱等，此时就不适用参数检验的方法，而只能用非参数统计方法来处理。
这种方法对数据来自的总体不作任何假设或仅作极少的假设，因此在实用中颇有价值，适用面很广。
一、统计方法分为参数统计和非参数统计参数统计——已知总体分布类型，对未知参数进行统计推断，依赖于特定分布类型，比较的是参数；非参数统计——不以特定的总体分布为前提，不对总体参数推断；比较分布或分布位置；适用范围广，可用于任何类型资料（等级资料）。
（二）符号检验和Wilcoxon符号秩检验一、单样本的符号检验符号检验，最简单的非参数检验方法，是根据正、负号的个数来假设检验。
符号检验可用于：（1）样本中位数和总体中位数的比较；（2）数据的升降趋势的检验；（3）特别适用于总体分布不服从正态分布或分布不明的配对资料；（4）定性表示的当配对资料（如试验前后比较结果为颜色从深变浅、程度从强变弱，成绩从一般变优秀）。
对于配对资料，符号检验的基本步骤为：首先定义成对数据指定正号或负号的规则，然后计数：正号的个数S+及负号的个数S-. 注意：不能标记正负号的观察值要从资料中剔除；1. 当小样本（n≤20）时，用二项分布（1）检验配对资料试验前后有无变化原假设H0：配对资料试验前后无变化（S+和S-可能性相等），正号/负号出现的概率均为p=0.5, 故S+和S-均服从二项分布B(n,0.5).（2）检验试验后正号有无增加原假设H0：正号出现的概率p≤0.5. 若p>0.5则拒绝H0，表明正号有增加；（3）检验试验后正号有无减少原假设H0：正号出现的概率p≥0.5. 若p<0.5则拒绝H0，表明正号有减少。
若何磨练数据是否屈服正态散布一.图示法1.P-P图以样本的累计频率作为横坐标,以装配正态散布盘算的响应累计概率作为纵坐标,把样本值表示为直角坐标系中的散点.假如材料屈服整体散布,则样本点应环绕第一象限的对角线散布.2.Q-Q图以样本的分位数作为横坐标,以按照正态散布盘算的响应分位点作为纵坐标,把样本表示为指教坐标系的散点.假如材料屈服正态散布,则样本点应当呈一条环绕第一象限对角线的直线.以上两种办法以Q-Q图为佳,效力较高.3.直方图断定办法：是否以钟形散布,同时可以选择输出正态性曲线.4.箱式图断定办法：不雅测离群值和中位数.5.茎叶图相似与直方图,但本质不合.二.盘算法1.偏度系数（Skewness）和峰度系数（Kurtosis）盘算公式：g1暗示偏度,g2暗示峰度,经由过程盘算g1和g2及其尺度误σg1及σg2然后作U磨练.两种磨练同时得出U<U,即的结论时,才可以以为该组材料屈服正态散布.由公式可见,部分文献中所说的“偏度和峰度都接近0……可以以为……近似屈服正态散布”其实不严谨.2.非参数磨练办法非参数磨练办法包含Kolmogorov-Smirnov磨练（D磨练）和Shapiro- Wilk（W 磨练）.SAS中划定：当样本含量n≤2000时,成果以Shapiro – Wilk （W 磨练）为准,当样本含量n >2000时,成果以Kolmogorov –Smirnov（D 磨练）为准.SPSS中则如许划定：（1）假如指定的长短整数权重,则在加权样本大小位于3和50之间时,盘算Shapiro-Wilk统计量.对于无权重或整数权重,在加权样本大小位于 3 和 5000 之间时,盘算该统计量.由此可见,部分SPSS教材里面关于“Shapiro – Wilk 实用于样本量3-50之间的数据”的说法是在是懂得单方面,误人后辈.（2）单样本Kolmogorov-Smirnov磨练可用于磨练变量（例如income）是否为正态散布.对于此两种磨练,假如P值大于,标明材料屈服正态散布.三.SPSS操纵示例SPSS中有许多操纵可以进行正态磨练,在此只介绍最重要和最周全最便利的操纵：1.对象栏--剖析—描写性统计—摸索性2.选摘要剖析的变量,选入因变量框内,然后点选图表,设置输出茎叶图和直方图,选择输出正态性磨练图表,留意显示（Display）要选择双项（Both）.3.Output成果（1）Descriptives：描写中有峰度系数和偏度系数,依据上述断定尺度,数据不相符正态散布.S k=0,K u=0时,散布呈正态,Sk>0时,散布呈正偏态,Sk<0时,散布呈负偏态,时,Ku>0曲线比较峻峭,Ku<0时曲线比较平展.由此可断定本数据散布为正偏态（朝左偏）,较峻峭.（2）Tests of Normality：D磨练和W磨练均显示数据不屈服正态散布,当然在此,数据样本量为1000,应以W磨练为准.（3）直方图直方图验证了上述磨练成果.（4）此外还有茎叶图.P-P图.Q-Q图.箱式图等输出成果,不再赘述.成果同样验证数据不相符正态散布.。
常见的假设检验（完全手打总结范文图吐血推荐）一般地说，根据样本对总体某项或某几项作出假设，并对该假设作出接受或拒绝的判断，这种方法称为假设检验。
JB检验、KS检验、Lilliefor检验检验样本的分布是否是正态分布考察系统误差对测试结果的影响t检验是用小样本检验总体参数，特点是在均方差不知道的情况下，可以检验样本平均数的显著性，分为单侧检验与双侧检验。
当为双样本检验时，在两样本t检验中要用到F检验正态总体均值分布检验从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。
若两总体方差相等，则直接用t检验，若不等，可采用t'检验或变量变换或秩和检验等方法Z检验是一般用于大样本（即样本容量大于30）平均值差异性检验的方法参数统计：即总体分布类型已知，用样本指标对总体参数进行推断或作假设检验的统计分析方法。
非参数检验非参数统计：即不考虑总体分布类型是否已知，不比较总体参数，只比较总体分布的位置是否相同的统计方法。
正态分布检验u—检验法检验的是：在大样本（n>30）的情况下，某一随机变量的期望是否等于一个常数C。
（1）前提：该变量服从正态分布，方差已知，样本均值已知：~（，）（2）假设：H0：总体均值=CH1：总体均值≠C（3）统计量的计算μ=/=样本均值检验的常数标准误/样本量（4）判断：由预先给定的信度α，查正态分布表，得μ若计算的μt检验法/学生检验检验的是：在小样本（n<30）的情况下，两个变量的平均值差异程度。
对于两个变量的解释：可以看作是两个不同的样本；也可以看作是抽样样本和总体。
据此就分为：单样本T检验、配对样本T检验和独立样本T检验例子：难产婴儿和总体婴儿对比；治疗前后对比；北京人和南京人对比（1）前提：2个变量服从正态分布、样本均值已知、标准差σ未知~，~（，）（2）假设：H0：样本1均值=样本2均值或样本均指=总体均值（3）计算T统计量（4）设定显著水平、确定自由度，看T统计量是否在拒绝域内单样本T检验目的：比较样本均值所估计的总体均数μ和已知总体均数0。
