《卡方检验实例.pdf》由会员分享，可在线阅读，更多相关《卡方检验实例.pdf（2页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、463 人手术患者，预测并发症人数为 169 位，实际并发症人数 201 位，该如何用卡方检验判断有无统计学意义？是配对 X2 检验吗？该如何将数据列表？如何用 Spss 得出结果呢？方法一：把数据转化成四格表，然后你就明白了。然后用卡方检验。发病 不发病 实际（fo）201 262 共 463 人 期望(fe)169 294 共 463 人 X2=4.789 由于 df=1,查表得，P0.05 显著，说明这个预测是具有统计学意义的。方法二：用 spss 做，是列联表分析。数据录入格式为：建立两个变量，变量 1 是实际和期望，实际用数据 1 表示，那期望就用数据 2 表示；变量 2 是发病情况
2、，发病用 1 表示，不发病用 2 表示，也就是说，你的变量 1 中应该数据 463 个 1，然后输入 463 个 2，变量 2 中，先输入 201 个 1，再输入 262 个 2，再输入 169 个 1，再输入 294 个 2，建议你用 EXCL 来数据方便的多。直接可以复制。数据录入完成后，点 analyze-descriptive statistics-crosstabs-把变量 1 选到 rows 里，把变量 2 选到 column 里，然后点击下面的 statistics，打开对话框，勾选 chi-squares，然后点 continue，再点 ok，出来结果的第 3 个表就是你要的卡
3、方检验，第一行第一个数是卡方值，后面是自由度，然后是 P 值。我算过了，卡方值应该是 4.609，df=1，P 值=0.032，P0.05，所以显著。预测是有统计学意义的。如果按照你叙述的来看，其实是按照“teng7925|”这位说的去做，只不过在 SPSS 输入数据的时候，不需要按照他说的那样，只需要设计三个变量，第一个变量输入：1 1 2 2；第二个变量输入：1 2 1 2；第三个变量输入：201 262 169 294。输入完，按照他说的步骤，可以得到他说的同样的结果，得到的结果说明预测与实际的发症人数有显著差异。但是我仔细想了下，你书上说的思路可能不是上面那种想法。只是看预测并发症人数
4、 169 与实际并发症人数 201有没有显著差异。这种思路在 SPSS 里面通过分析（analyze）非参数检验（nonparametic tests）卡方检验（CHi-square）。设置一个变量叫并发症人数，输入 169 和 201，再在菜单栏数据（data）加权（weight cases），将这个变量选择进去，再按照我上面说的非参数检验步骤，将那个变量输入进去，点击 OK，得到的卡方值为 2.768，P 值为 0.096。你再确认下，书上的 P 值是多少，但是我个人更觉得上面那种思路才更合理点，也可能我不知道书上的题目意思。教科书上的答案是错误的！你按我的步骤做就可以了，保证正确。1、数
5、据录入 例数 并发症 262 0（输入“否”作为标签）201 1（输入“是”作为标签）2、加权：DataWeight Cases，选择 Weight cases by 后，将“例数”选入后点击 OK 3、分析：AnalyzeNonparametic TestsChi-Square，将“并发症”作为测试变量（Test Variable）。在这里，不能使用程序默认的期望值（因为程序默认并发症出现与否的例数相等，均为 463/2=231.5 例），必需自己定义期望值。在 Expected Values 项下选择 Values，然后输入 294，点击 Add；再输入 169，点击 Add。注意这两个数
6、字的输入顺序不能颠倒！最后，点击主对话框的 OK 按钮就可以得到以下结果。并发症 Observed N Expected N Residual 否 262 294.0 -32.0 是 201 169.0 32.0 Total 463 Test Statistics 并发症 Chi-Square 9.542 df 1 Asymp.Sig.002 因此，并发症的实际发生率明显高于预期（Chi-Square=9.542，P=0.002）。这里最关键的地方是会不会自定义期望值。你的题目也可以使用 AnalyzeNonparametic TestsBinomial Test，结果如下：Binomial
7、Test Category N Observed Prop.Test Prop.Asymp.Sig.(1-tailed)Group 1 否 262 .566 .635 .001 Group 2 是 201 .434 Total 463 1.000 同样表明并发症的实际发生率明显高于预期（P=0.001，注意这里报告的是单侧概率值）。这两个方法得出的结果是一致的。z 检验用于检验正态样本均值是否等于某个假设值，不过需要事先知道总体方差，得到的统计量服从正态分布，有的教材上又叫 u 检验 t 检验与 z 检验相似，t 检验不需要知道总体方差，它用样本方差替代总体方差，得到的统计量服从 t 分布。实
8、践应用中，t 检验比 z 检验常用，因为不容易知道总体的方差。t 检验来源于戈斯特的笔名 student。f 检验主要用于方差分析，方差分析中，组间均方比上组内均方服从 F 分布，它是为了纪念费雪（此人对统计学贡献巨大）卡方检验主要为了检验某个样本是否服从某种分布，是一种样本分布检验，他的发明者如果没记错的话应该是皮尔逊。在交叉列表分析中卡方分布会用到。独立样本 t 检验用于比较两个不同样本之间的均值是否相等。配对样本 t 检验是指同一个样本在两个不同时候均值的比较，比如比较某种减肥要的效果。相关性主要似乎看两个变量之间的紧密程度，方差分析用于检验某因素的影响显著程度。想请教一下，用 spss
9、17.0 怎么做 x2 检验？数据很少，我想知道计算过程 样本量 阳性数据 59 40 18 2 实际频数(A)理论频数(T)a 40 32.1818 b 19 26.8182 c 2 9.8182 d 16 8.1818 提示：关于四格表资料各种检验方法的应用条件，尚有不同意见。一般认为：1 如果总例数40 或最小的理论频数1，应选择“确切概率法”；2 如果总例数不小于 40 且最小的理论频数不小于 1，但最小的理论频数5，应选择“校正法”；3 如果总例数不小于 40 且最小的理论频数不小于 5，应选择“非校正法”。本例属于第 3 种情况。两个样本率比较的假设检验 Ho:两组总体率相等，即 1=2，H1:两组总体率不等，即 12。=0.0500 卡方值（Pearson 未校正法）=17.8748,P=0.0000 统计结论：经检验，得 P=0.0000,按=0.0500 拒绝 Ho。jcmcat(站内联系 TA)首先打开软件，导入数据，在菜单栏选择 分析-非参数检验-卡方检验-把要分析的变量导入就可以了。或者 分析-统计描述-交叉表-把变量导入也可以。