SPSS:T检验、方差分析、非参检验、卡方检验的使用要求和适用场景「建议收藏」

SPSS:T检验、方差分析、非参检验、卡方检验的使用要求和适用场景「建议收藏」SPSS:T检验、方差分析、非参检验、卡方检验的使用要求和各类方法

大家好,又见面了,我是你们的朋友全栈君。

一、T检验

1.1 样本均值比较T检验的使用前提
  1. 正态性;(单样本、独立样本、配对样本T检验都需要)
  2. 连续变量;(单样本、独立样本、配对样本T检验都需要)
  3. 独立性;(独立样本T检验要求)
  4. 方差齐性;(独立样本T检验要求)
1.2 样本均值比较T检验的适用场景
  1. 单样本T检验(比较样本均数和总体均数);
    操作:打开 分析—比较均值—单样本t检验

    要求:正态性(可以用K-S检验法,在SPSS中的“分析”–“非参数检验”—“单样本”中;或者直接根据直方图、P-P图,Q-Q图来观察或根据偏度峰度法来分析)

    说明:由中心极限定理可知,即使原数据不符合正态分布,只要样本量足够大时样本均数分布仍然是正态的。只要数据不是强烈的偏正态,没有明显的极端值,一般而言单样本t检验都是可以使用的,分析结果都是稳定的。

  2. 独立样本T检验(比较成组设计的两个样本);
    操作:打开 分析—比较均值—独立样本t检验
    我们输入数据的时候,两个样本的数据是要在一列变量里的,另外还有一列二分类变量为这列因变量做标注。

    要求:独立性、正态性(对正态性有耐受性)、方差齐性(影响大,检验更有必要,使用Levene’s检验,两样本T检验中提供Levene’s检验,如需更详细的检验结果可在“分析”–“描述统计”–“探索”中进行)

    说明:各样本相互独立,且均来自于正态分布的样本,各样本所在总体的方差相等;

    * 疑问:独立性怎么检验?有些数据可以根据现实环境判断;*

  3. 配对样本T检验(如用药前和用药后的两个人群的样本、同一样品用两种方法的比较)
    操作:打开 分析—比较均值—配对样本t检验

    要求:正态性(配对样本等价于单样本T检验,检验的是两个样本对应的差值,初始假设为差值等于0)

二、单因素方差分析

2.1 单因素方差分析的基本思想
  • 基本思想:变异分解,总变异=随机变异+处理因素导致的变异,又可以分解为总变异=组内变异+组间变异,F=组间变异/组内变异,F的值越大,处理因素的影响越大。
2.2 单因素方差分析的使用前提
  1. 独立性:不满足独立性会有很大的影响,因为信息存在“重叠”的部分
    疑问:在哪儿可以验证?卡方检验?卡方检验检验的是两个分类变量
  2. 正态性:对正态性的要求是稳健的
  3. 方差齐性:检验方法除了Levene’s检验,还可以有其他的检验方法:Bartleet法(比较各组方差的加权算数平均数和几何均数)、Hartley法(样本量相同时使用)、Cochran法(样本量相同时使用)。
    方差分析对变量的类型有要求吗?应该分析的都是连续变量
2.3 单因素方法分析的使用前提不满足时变换方法
  • 对数变换、平方根变换、平方根反正弦变换、平方变换、倒数变换、Box-Cox变换(分段函数)
2.4 单因素方差分析的适用场景
  • T检验只能检验两组样本的均数差,多组样本的时候就需采用方差分析;

  • 操作:打开分析—比较均值—均值 进行预分析,可以大致看出各均值是否相同,方差是否齐性;再进行 打开 分析—比较均值—单因素anova;

  • 适用场景:均数间的多重比较(全部两两比较)、各组均数的精细比较(可以指定要比较的两个组,通过设定系数)、组间均数的趋势检验(为了利用分组变量中体现出的次序信息,目的不是为了拟合线性或非线性的模型,而是希望知道因素的水平改变时均数的变化趋势)

2.5 方差分析结束后如均值不同可进行两两比较(事前比较、事后比较)
  • LSD法:用于事先计划好的比较,最灵敏;检验水准没有校正,每次都是α
    Sidak法:第二灵敏;
    Bonferroni法:用于事先计划好的比较,第三灵敏;
    Scheffe法:多用样本含量不等的情况,第四灵敏;
    Dunnett法:常用于多个实验组和一个对照组的比较,第五灵敏;

  • 寻找同质亚组的检验方法:
    S-N-K法:将所有样本分为多个子集;
    Tukey法:任意两组比较,要求样本含量相同,MEER不超过α;
    Duncan法:与SNK法类似;

  • 备注:
    CER:每进行一次比较犯一类错误错误的概率;
    EERC:完全无效假设检验下,做完全部比较犯一类错误的概率;
    MEER:部分或者任何完全假设下,犯一类错误的最大概率值,即最大实验误差率。

疑问:单因素方差分析的事前检验和事后检验有什么区别,为什么结果不同??

三、非参数检验

3.1 非参数检验的基本思想
  • 非参数检验的意思是指整个推断过程和结论均和原总体参数无关,而不是不利用参数
3.2 非参数检验的优势
  1. 稳健性;
  2. 对数据的测量尺度、数据类型无约束;
  3. 适用于小样本、无分布样本、数据污染样本、混杂样本等;
3.3 非参数检验使用前提
  1. 有序、名义变量,这类数据的分布形态一般未知,均值方差等数据无意义;
  2. 样本分布未知;
  3. 样本数据不满足正态分布,即便是经过变量变换;
  4. 方差齐性不满足,即便是经过变量变换;
  5. 总体分布正态,连续变量,但样本容量极小,如10以下;
3.2 非参数检验适用情形
  1. 单样本非参数检验

    • K-S检验:针对连续变量,考察是否符合正态分布
      操作:打开–分析–非参数检验–单样本

    • 二项分布检验:针对两分类变量,考察是否符合二项分布
      操作:打开–分析–非参数检验–单样本

    • 游程检验:考察总体的随机性
      操作:打开–分析–非参数检验–单样本
  2. 两个独立样本的非参数检验(无效假设为两样本的中心位置是否相等)

    • Mann-Whitney U检验,两样本秩和检验,应用范围最广;

    • Kolmogorov-Smirnov Z检验:检验两个样本的累积频数分布曲线,判断两个样本的分布是否相同;

    • Moses Extreme Reactions 检验:Moses极端反应检验,单侧检验

    • Wald-Wolfowitz Runs 检验:单侧检验,无论是集中趋势、离散趋势、偏度的波动情况都能检测出来,如果只是检查中心位置,最好不用,检验两样本是否来自同样的分布;

    • 操作:打开 分析—非参数检验—独立样本

  3. 多个独立样本的非参数检验

    • Kruskal-Wallis H检验(类似Wilcoxon符号秩检验,两样本在多样本上的推广)

    • 中位数检验

    • Jonckheere-Terpstra检验:对连续变量和有序分类资料都使用,分组变量为有序分类资料时,检验效能要高于Kruskal-Wallis H检验

    • 操作:打开 分析—非参数检验—独立样本

  4. 两个配对样本(求出差值,查看中位数是否为0,目的就是为了检验均值是否相等)

    • sign符号检验:只利用了符号信息,差值是否一半为正一半为负;

    • Wilcoxon符号秩检验:利用了符号和差值的大小顺序(符号+秩序)

    • 操作:打开 分析—非参数检验—相关样本
  5. 多个相关样本非参数检验

    • Friedman 检验:基本思想是同区组的处理值和计算的秩比较才有意义,还附带齐性子集结果给出了准确的两两比较信息;

    • Kendall协和系数检验:为了检验各组评价是否一致,Friedman检验只能说明尚不能认为有差异,但是无法评判一致性,Kendall方法针对连续变量,

    • Cochran检验:有些评价只能用是否、好坏等二元数据来判断,Cochran只适用于二分类变量,用Kendall方法会有很多的打结现象。

    • 操作:打开 分析–非参数检验–相关样本

  6. 通用方法—秩变换分析方法

    • 前面有关秩的分析方法其实都是秩变换方法的不同应用,分析方法中可以直接将秩求出后再进行分析。

    • 操作:转换 — 个案排秩(也可以指定生成符合正态分布的秩)

四、卡方检验

4.1 卡方检验的基本思想
  • 以卡方分布为基础,计算观察值和期望值之间的偏离程度;
4.2 卡方检验的使用前提
  1. 最小期望频数均大于1
  2. 至少4/5的单元格期望频数大于5
  3. 计算时如果单元格期望频数小于5要和其他种类合并
  4. 样本观察值量超过50
4.3 卡方检验的使用目的
  1. 考察无序分类变量各水平在两组或多组间的分布是否一致;
  2. 检验某个连续变量的分布是否和理论分布一致;
  3. 分类变量的概率是否等于指定概率;
  4. 检验两个分类变量是否独立;
  5. 检验控制了其中几个因素后,剩余的两个分类变量是否独立;
  6. 检验两种方法的结果是否一致;
4.4 卡方检验的适用场景
  1. 单样本卡方检验
    操作: 打开 分析–非参数检验–单样本

  2. 两样本卡方检验
    操作: 打开 分析–描述统计–交叉表

  3. 两分类变量间关联程度的度量:定性描述两个分类变量是否存在关联(更为详细的可以根据相关分析)
    操作: 打开 分析–描述统计–交叉表

  4. Kappa一致性检验(用于配对样本,如两个人针对一个事物的评价)
    用于配对样本的检验,Kappa检验的结果是两个人的评价是否是相关的
    操作: 打开 分析–描述统计–交叉表

  5. Mcnemar 配对卡方检验
    Kappa检验只能看出两者是否有关联,但是不能判断是否一致,Mcnemar 配对卡方检验就可以解决两者是否一致的问题
    操作: 打开 分析–描述统计–交叉表

  6. 分层卡方检验
    可以控制一个因素,如收入对车辆购买率的影响,可以将城市作为分层因素,从而可以得到更准确的结果,但是SPSS中只能进行两分类变量的检验,不能进行多分类的检验,且分层因素和要分析的因素之间如果存在交互关系也不能进行检验。
    操作: 打开 分析–描述统计–交叉表

4.5 备注
  • 相对危险度(RR)
    RR=试验人群反应阳性的概率/对照组人群反应阳性的概率
    RR=1,说明试验因素反应阳性没有关联
    RR<1,说明试验因素导致反应阳性的发生率降低
    RR>1,说明试验因素导致反应阳性的发生率升高

  • 优势比(OR)
    OR=(反应阳性组中实验因素阳性人数/反应阳性组中实验因素阴性人数)/(反应阴性组中实验因素阳性人数/反应阴性组中实验因素阴性人数)
    OR>1,说明该试验因素更容易导致实验结果为阳性

PS:这篇博客陆续写了半个月,简直汗颜,是对自己看了SPSS基础教程的理解和整理,还有很多疑问,如有对内容质疑的欢迎讨论。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/150901.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号