医学统计spss操作总结

医学统计spss操作总结（精选5篇）

医学统计spss操作总结 篇1

ASCII固定列：下一步→fixed，no→下一步→下一步→保存 非固定列：下一步→delimited，yes→下一步→选分隔符→保存

数据拆分：compare groups各分组的观测量数据所得的结果放在一起比较。数据合并：增加观测量：data→merge→add cases 集中量数

【操作】quartiles，mean，median，mode，std.deviation，skewness，kurtosis；histogram，with normal 【报告】平均值，标准差，智商小于100的占总数的7% 差异量数

【操作】range 【报告】平均值，标准差，最小值~最大值 探索分析

【操作】outliers（极端值）

0.6745XMdnZmodifiedMdnAD极端值：0.6745为截距；X为原始分数；Mdn为“原始数据的中位数”；各分数与Mdn差的绝对值数列；MdnAD为”绝对值数的中位数”。Z绝对值≧3.5时为极端值。

【报告】各组人数，平均值，标准差。两组成绩存在一定的差异。单样本t检验

【对象】一个样本的均值与总体均值或某个已知的观测量之间差异的显著性

【操作】one-sample t test，将要分析的变量选入变量框，text value中设定总体均值 【报告】t检验结果显示，这个班的数学成绩与平均成绩之间差异不显著，t，df，p。独立样本t检验

【对象】两个不相干样本在相同变量上的观测量均值之间的差异显著性，要求正态分布、方差齐、样本间独立

【观察】levene的sig不显著，报告上面一行的t检验结果，显著则报告下一行。

【报告】教学效果的独立样本t检验结果显示，方差分析齐性不显著，即两组的方差齐。方法1与方法2的消息效果之间存在显著差异（t，df，p），即方法1明显优于方法2.配对样本t检验

【对象】两个相关样本观测量的均值差异或同一个样本的两次观测量均值之间的差异

【报告】xxxx配对样本t检验结果显示，入学后一年的智商要显著高于入学时的智商，t，df，p。说明入学后智商有显著的提高。单因素方差分析

【对象】一个自变量的不同水平是否给一个或几个相互独立的因变量造成显著差异

【操作】one-way anova；Post Hoc事后比较→LSD、Tamhane2；options→descriptive，homogeneity，means plot 【报告】方差分析结果表明，识记生词的平均成绩之间存在显著性差异，（F，p），事后分析的多重比较结果显示：1年级和3年级的平均成绩差异显著，p。1年级和5年级xxx，3年级和5年级xxx。多因素方差分析 【对象】两个或两个以上自变量的不同水平是否给一个或几个相互独立的因变量造成显著差异

二因素完全随机

【操作】univariate；plots→选各自变量进入horizontal/选一个自变量进入horizontal，另一个进入separate lines；post hoc→选入多重比较变量（3个或以上水平）→LSD、Tamhane2；options→全部移入display，homogeneity 【报告】方差分析结果表明：入学成绩的主效应差异显著（F，p），这表明高一学生的数学成绩在高中入学考试等级之间差异显著。教学方法的主效应差异显著（F，p），这表明高一学生的数学成绩在三种教学方法之间差异显著。入学成绩*方法的交互作用差异显著（F，p），这表明高中入学成绩等级和教学方法对其数学成绩有显著的交互作用。多重比较结果显示：方法1和方法

2、方法2和方法

3、方法2和方法3之间均值差异显著，p。随机区组

【对象】有无关变量或随机变量的条件下

【操作】univariate；model→custom→main选入各自变量/interactiont同时选入全部自变量 【报告】方差分析结果表明：入学成绩的主效应差异显著（F(df)，p）教学方法的主效应差异显著；入学成绩与教学方法的交互作用差异显著，考试时间的区组效应差异显著，表明考试时间对数学考试成绩有重要的影响。两因素混合实验设计 【操作】univariate；postHoc→选入要研究的变量，LSD，Tamhanes2→options→全选，compare，descriptive，homogeneity。交互作用显著做简单效应。Data→select cases→if分组；one way anova→factor：要分析的变量→posthoc：LSD，Tamhanes2→options：descriptive，homogeneity 【观察】均值[方法1-方法2]=正数，方法1优于方法2.【报告】两因素完全随机实验设计的方差分析表明：入学成绩的主效应显著，F（df）=，p；入学成绩高的学生期末成绩（M,SD）显著高于入学成绩低（M,SD）。教学方法的主效应显著，F(df)，p；方法3学生的期末成绩（M,SD）显著高于方法2（M,SD），方法2显著高于方法1.入学成绩与方法的交互作用效应显著，F,p。简单效应的分析结果显示，三种不同教学方法仅对入学成绩好的学生产生显著的影响，方法3显著优于方法

2、方法1，方法1和方法2之间未存在统计显著差异。协方差分析

【对象】分析自变量对因变量的影响时，消除协变量对因变量的影响 【操作】协变量进入covariates 【报告】方差分析结果表明：协变量年龄的主效应差异显著（F（df），p），表明年龄因素确实对推理成绩有显著影响；训练方法的主效应差异显著，说明两种训练方法对推理成绩有显著性影响。方法1（M,SD）显著优于方法2（M,SD）重复测量方差分析

【对象】对每个被试的某个观测量重复进行3次或以上的测量 【操作】repeated measures；输入重测变量名→重测次数→add；define→组内因素进入within→组间因素进入between；options→组内因素进入display→descriptive

【观察】球形检验差异不显著p>0.05，报告spherical；显著报告greenhouse 【报告】重复测量方差分析结果表明：三次重复测量的主效应差异显著（F，p），三种刺激条件的主效应差异显著；重复测量与刺激条件的交互作用显著。重复测量结果之间的多重比较

【操作】split file按组别拆分数据；repeated measure→输入重测因子及次数；define→因子进入within；model→custom→因子进入within；options→因子进入display→compare→bonferroni

【报告】多重比较结果显示：在刺激1上，测量2和测量3之间差异显著（p），其他各项重复测量之间差异都不显著；在刺激2上；在刺激3上。单因素重复测量 【操作】Select cases；repeated→无需选入组间变量。简单相关

Person：正态分布、两列变量值为连续的等比/等距数据

Spearman：不是等距或等比数据，而是具有等级顺序的测量数据时，或者数据等距/等比，但不是正态分布

Kendall：两个有秩变量间密切程度的测度

【操作】正态分布→person。等级相关→kendall+spearman 【报告】通过xx相关分析，结果显示xxx相关显著，r，p 偏相关

【对象】3个及以上变量时对其中每两个都要做相关

【操作】分析变量→variables；控制变量→control；options→means+zero 【报告】偏相关分析结果表明，数学成绩与化学成绩有显著的正相关r，p 一元线性回归分析

【对象】一个自变量与一个因变量之间的关系

【操作】散点图→simple；regression→linear；选入因变量自变量 【观察】B（constant）为常数，自变量为系数

【报告】线性回归分析结果显示，xx和xx存在显著的线性关系，F(df)，p；自变量可以解释因变量%的变异性（R2=），建立的回归方程为，其中x代表，y代表。多元线性回归

【操作】linear→method→stepwise

【报告】多重线性回归分析结果显示，xx存在显著的多重线性关系，F(df)，p；自变量解释了整个因变量变异程度的%（校正的R2=）。建立回归方程为，其中y代表，x1代表，x2代表。信度分析

【报告】采用α信度系数的内部一致性信度分析结果显示

医学统计spss操作总结 篇2

一、因子分析

在医学科研中往往需要对反映事物的多个变量进行大量的观测,收集大量数据以便进行分析,寻找规律.多变量大样本无疑会为医学研究提供丰富的信息,但是,也在一定程度上增加了数据采集的工作量,更重要的是增加了问题分析的复杂性.由于各变量之间存在一定的相关性,因此有可能用较少的综合指标分别综合存在于各变量中的各类信息,而综合指标之间彼此不相关,即各指标代表的信息不重叠,这样就可以对综合指标根据专业知识和指标所反映的独特含义给予命名.这种分析方法称为因子分析,代表各类信息的综合指标称为因子或主成分.它的基本思想是将实测的多个指标,用少数几个潜在的指标(因子)的线性组合来表示.因子的特点是:1、因子变量的数量远远少于原始变量的个数;2、因子变量并非原始变量的简单取舍,而是一种新的综合;3、因子变量之间没有线性关系;4、因子变量具有明确解释性,可以最大限度地发挥专业分析的作用。

因子分析是把每个原始变量分解成两个部分:一部分是由所有变量共同具有的少数几个因子构成的,即所谓公共因子;另一部分是仅对某一个变量产生影响,为某一个变量所特有的,即所谓特殊因子.如果特殊因子为零,则称为主成分分析.因子分析的一般模型为:

式中,x1,x2,…xm为实测变量;aij(i=1,2,…,m,j=1,2,…,n)为因子荷载(factor loading);Fi(i=1,2,…,n)为公共因子(common factor);ε(i=1,2,…,m)为特殊因子(specific factor).因子载荷aij就是第i变量与第j因子的相关系数,反映了第i变量在第j因子上的重要性.载荷较大,则说明第变量与第因子的关系越密切;载荷较小,则说明第变量与第因子的关系越疏远.在因子模型中,公共因子之间互不相关,特殊因子之间互不相关,特殊因子与公共因子互不相关,特殊因子与被测原始变量相关.所以因子分析是如何从一组原始的观测变量出发,分析出公共因子和特殊因子,并求出相应的载荷矩阵,进而解释各个公共因子的含义.即,用于寻找表示这种潜在能力因子的统计方法。

因子分析的任务一是构造一个因子模型,确定模型中的参数,然后根据分析结果进行因子解释;二是对公共因子进行估计,并作进一步分析.因此,因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的.因子分析常常有以下四个基本步骤:1、确认待分析的原有变量是否适合作因子分析;2、构造因子变量;3、利用旋转方法使因子变量更具有可解释性;4、计算因子变量得分。

二、因子分析在医学科研中的应用

举个例子来说明如何使用SPSS统计软件是如何对健康人生化检查结果进行因子分析的.现在就某医院收集的25名健康人7项生化检查结果:

进行因子分析.也就是因子模型中的可观测的随机变量为x1,x2,…,x1,(令i=xj)具体步骤是:

1、在SPSS中输入数据将25名健康人7项生化检查结果输入表中;

2、按Analyze Data Reduction Factor顺序点击菜单项,打开Factor对话框;

3、在Factor Analysis对话框中,点击结果1-7变量进入Variables框中,作为分析变量;

4、点击Descriptives按钮,在Statistics选项中选择Univariate descriptives,在Correlation Matrix选项中选择Coefficients,Significance levels和KMO and Bartlett's test of sphericity,点击Continue钮返回主对话框;

5、点击Extraction按钮,选择Method中的Principal components,在Analyze选项中选择Correlation matrix,在Display选项中选择Urtrotated factor solution和Scree plot,点击Continue钮返回主对话框;

6、点击对话框Rotation按钮,选择Method中的varimax方法进行因子载荷旋转,Display中的Rotated solution,点击Continue钮返回主对话框;

7、点击对话框Scores按钮,选择Display factor score coeffi¬cient matrix,点击Continue钮返回主对话框;

8、点击对话框OK按钮,给出计算结果,见表1-6和图1.

表2中的第一部分为相关系数矩阵,第二部分为零假设相关系数为零的单侧显著性检验概率矩阵.由表中可以看出,不是各概率均大于0.05,因此可以认为各变量两两之间是相关的。

表3 KMO and Bartlett's sTest(KMO统计量和Bartlett's球形检验)

表3是用于判断数据能否进行因子分析.KMO统计量检验统计是用于比较观测相关系数值与偏相关系数值的一个指标,通常大部分指标在0.3以上就可以.当然,其值愈逼近1,表明对这些变量进行因子分析的效果愈好.表中的KMO统计量值为0.321,因此各变量间的相关程度无太大差异,数据适合做因子分析.巴特利特球度检验是以变量的相关系数矩阵为出发点.如果该统计量值比较大,则适合作因子分析,反之则不适合因子分析.从表中的Bartlett's球度检验值为326.285是很大的数,可见也证明该数据是适合做因子分析的。

表4为求主成分的过程,它是整个输出中最重要的部分.求主成分的过程实际上就是求相关矩阵的特征值和特征向量的过程.主成分个数的确定有两个标准:累计贡献率达到85%以上;或在特征值的均值以上.从表中可以看出这7个变量只需要找出两个因子作为公共因子即可。

图1为碎石图,该图中横轴为因子序号,纵轴表示特征值大小.在图中根据因子序号和对应特征值描点,然后用直线相连,即为碎石图.根据点间连线坡度的陡缓程度,从碎石图中可以比较清楚地看出因子的重要程度.比较陡的直线说明端点对应因子的特征值差值较大,比较缓的直线则对应较小的特征值差值.从图1中可以看出,因子1,2,3之间连线的坡度与其他点间的连线要陡得多,说明前2个因子是主要因子(实际上，从表4中可以看出,前2个因子的累计贡献率达到88.593%),而其他因子相对来说要次要一些。

表5中的因子负荷矩阵反映7个变量的变异可以主要由两个公共因子来解释,即各变量的信息被该公共因子提取了多少,也给出了在因子分析中需要的因子表达式.于是,根据表中提供的系数可以给出各变量的因子表达式(模型)为:

通过上述7个表达式,我们可以在假定全体健康人在生活条件,工作环境等相同和估计每个人的特殊因子的数值的情况下,通过计算,可以看出每个人大概的健康情况。

表6为因子得分系数矩阵,通过该系数矩阵就可以将公共因子表示为各个变量的线形组合,即为:

从(※)式我们可以知道,只要我们得到任何人的这7项生化检查结果的数据,就可以直接计算出这一公共因子的标准化值,即知道了此人的因子得分,从而,人们可以将自身的生化检查结果代入模型,根据得出的结论,知道自身的健康状况,以此来进行自我的健康保健。

三、结束语

通过对某医院收集的25名健康人7项生化检查结果使用SPSS统计软件进行因子分析,得到只要两个公共因子就能解释总变量的88.593%.大家知道围绕健康新概念,世界卫生组织归纳和总结了在人群实践的经验,于1999年提出了人类新的健康标准,这一标准包括肌体和精神健康两部分,具体可用“五快”(肌体健康)和“三良好”(精神健康)来衡量,所以我们可以通过该理论可以去解释这些公共因子,可以知道这些公共因子反映的是肌体健康和精神健康这样两部分。

当然,SPSS软件进行实际应用时,关键是对所研究的实际问题、对所用方法的基本思想要有深刻的理解,要能够对输出结果有较好的认识和合理的解释,并能为决策制定提供相应地决策支持,科学的威力才能够真正得以发挥。

参考文献

[1]贾恩志等．SPSS for Windows 10.0科研统计应用[M]．东南大学出版社．2001．5．

[2]苏金明．统计软件SPSS 12.0 for Windows应用及开发指南[M]．电子工业出版社．2005．9．

[3]唐功爽．基于SPSS的主成分分析与因子分析的辨析[J]．统计教育．2007．2．

[4]刘菊香，沈霄凤．用SPSS统计软件对学生综合成绩的因子分析[J].统计应用．2006．1．

医学统计spss操作总结 篇3

关键词 SPSS统计软件 医学统计方法 应用

中图分类号：G424 文献标识码：A

SPSS又名统计产品与服务解决方案（Statistical Product and Service Solutions，SPSS），是一款在科学研究、统计等领域中最负盛名、应用最为广泛的统计分析软件之一。它不仅具备基本的统计分析功能，而且能进行高级统计分析，涵盖了医学统计教学中所涉及到的统计分析方法。自其问世以来，处理与分析数据的工作效率得到极大的提高，而且它具有使用方便、界面友好、简单易学和功能齐全等特点，因而大受欢迎而被广泛使用。

1 目前高职医学统计方法课程教学中存在的主要问题

1.1 课程教学目标不够准确

高职院校主要为社会培养技术技能型人才，注重培养学生解决实际问题的能力；普通本科则主要培养工程人才和研究型人才，强调的是知识的系统性和全面性。但目前高职院校在确定医学统计方法课程教学目标时，沿袭了普通本科的一贯做法，只是降低了要求。没有充分考虑高职与本科在专业人才培养目标上的根本性差异，邯郸学步，从而导致医学统计方法课程教学目标既不科学也不适用，指向不明，偏离高职专业人才培养目标。

1.2 教学内容针对性不强

高职医学统计方法课程的教学内容与普通本科医学院校非常相似，主要是统计学中的一些基本概念、常用统计指标的计算以及t检验、卡方检验等常用的统计推断方法。由于学时少、内容浅而在实际应用中作用不大。在教学内容的组织上往往片段化，没有遵照实际统计分析工作进行前后贯穿，导致学生在选择统计推断方法和解释分析结果时很迷茫，不能学以致用，说明高职医学统计方法在内容选择和组织上存在缺陷，针对性不强。

1.3 教学方法手段落后

当前，对医学统计方法教学来说，多媒体和SPSS软件十分重要。多媒体教学可以将抽象的统计原理形象化，激发学生的学习兴趣，提高教学效果。①而实际教学中，许多教师将教材内容直接“复制”到课件上，多媒体的技术优势没有得到充分发挥，抽象的内容依然抽象，学生听不懂，兴趣也不高。目前也有少数高职院校在教学中使用SPSS软件，但多是为了减少繁杂的计算而作为实践训练的一部分，课时很少且内容也不系统，实际应用价值不大。

1.4 忽视综合应用能力培养

学生综合应用能力是评价高职教学质量的重要指标。目前高职院校医学统计方法的总学时本身就不多，加之又过于看重理论知识的系统性与完整性，导致实践学时严重不足，而且实践部分以单项技能训练为主，鲜有综合技能训练项目，不利于学生医学统计综合应用能力的培养。能力是训练出来的，而非通过老师讲授获得。②由此可见，轻视实践教学必然会导致学生实际应用能力不足。

2 SPSS统计软件的优点

2.1 SPSS软件操作简单

SPSS的数据录入界面与Excel电子表格十分相似，将原始数据输入后，根据所选定的统计推断方法，按既定的步骤进行操作，最后软件会自动给出相应的统计指标以及统计分析结果。操作主要是通过点击“菜单栏”，在其“下拉菜单”中选择相应的按钮来完成。整个操作均以对话框的形式实现，不需要编程，非常简单易学。

2.2 包含多种常用统计方法

SPSS软件不仅可提供常用的t检验、方（下转第204页）（上接第133页）差分析、卡方检验和直线相关与回归等统计推断方法，而且包括多因素方差分析、Logistic回归和聚类分析等多种高级统计方法，③并能提供不同形式的图表，完全能满足高职生学习的需要。

3 将SPSS统计软件引入医学统计方法教学的必要性

（1）将SPSS统计软件用于医学统计方法教学，既符合时代要求，提高了教学效果，又提高了学生解决实际问题的能力。④因此可以借助SPSS软件这一现代化工具，很好地实现“以能力培养为重”的高职人才培养目标，有效弥补传统教学中学生综合应用能力较差的不足。（2）医学统计方法教学实例的数据比较多，步骤繁多，手工计算不仅会使学生产生畏难情绪，而且会将大量的时间耗费在意义不大的计算过程中，不利于课程教学目标的达成。应用SPSS 软件则能够避免繁复的公式记忆和大量的数据运算，统计分析快捷、结果准确，有利于培养学生学习医学统计方法的兴趣。（3）传统的医学统计方法教学重理论轻实践，不能满足实际操作的需求，而将SPSS 软件引入课程后，只要学习者选择了正确的统计推断方法，经过简单的操作，其统计指标和分析结果就会在极短的时间内一并给出，此过程与实际工作中进行统计分析的过程高度一致，有利于学生解决实际问题能力的培养，促进了课程设置合理化。

4 应用SPSS统计软件教学应该注意的问题

4.1 围绕教学目标精心选择和组织教学内容

课程教学目标确定后，就应选择相应的教学内容实现这一目标，不能囿于教材。课程是不断发展的，而教材则是课程生命成长过程中某个阶段的历史记录。⑤此外，教师还应对选取的教学内容进行整体设计，合理裁剪、加工和序化，使它由易到难，符合学生认知规律，⑥做到逻辑清晰、前后贯穿但不失其魂。

4.2 理论教学与实践教学应并重

传统的医学统计方法教学因过度重视理论教学而忽视实践教学，导致学生实际应用能力不强，遇到具体问题时往往束手无策；但也不能因为重视学生实际解决问题的能力培养而忽视理论知识的传授，否则不利于学生统计思维的形成，导致学生只会操作软件而不能准确理解其分析结果。因此，在课程教学中应理论与实践并重，不可偏废。

4.3 改进课程考核方式

既然医学统计方法课程要求理论与实践并重，就应发挥考核方式对学生学习的导向作用，改进现有的理论考试评价方式，采用上机操作和卷面考试成绩相结合的考核方式，⑦对学生成绩进行全面评价。

总之，将SPSS软件有机融入高职医学统计方法课程教学，既符合时代要求，也有利于提高教学效果和培养学生实际应用能力，值得大力推广。

基金项目： 湖北职业技术学院教学改革重点资助项目（No：2011 A03）

注释

① 王春平，王汝芬，翟强.多媒体技术在医学统计方法教学中的应用[J].中国卫生统计，2006.23（3）：266-267.

② 戴士弘.职业教育课程教学改革[M].北京：清华大学出版社，2007：6-11.

③ 吴占福，马旭平，李亚奎.统计分析软件SPSS介绍[J].河北北方学院学报，2006.22（6）：67-69.

④ 李玉红，彭晓峰，陈慧青.统计软件SPSS在应用统计学教学中的应用[J].金融教学与研究，2009.3：71-72.

⑤ 姜大源.职业教育：课程与教材辨[J].中国职业技术教育，2008.311：1-13.

⑥ 褚启龙，张晶，邱明，等.高职医学统计方法教学中存在的问题与对策[J].西北医学教育，2012.20（3）：541-544.

医学统计总结 篇4

计量资料

一．统计描述

频数分布：

1.频数分布表

2.频数分布图 可以用来判断计量资料的分布类型，以便于进一步做统计分析和处理外，还可以进行病因研究和疾病预防控制。

集中趋势的描述：

1.算术平均数 反映一组呈对称分布的变量值在数量上的平均水平。

2.几何平均数 反映一组经对数转换后呈对称分布的变量值在数量上的平均水平，常适

用于免疫学指标

3.中位数 将n个变量值从大到小排列，位置居于中间的那个数。适用于各种分布类型，尤其是偏态分布和一端或两端无确切数值的资料。

4.百分位数PX常用于确定单峰偏态分布资料的医学参考值范围（要求样本含量要足

够大）；

离散趋势的描述：

1.极差 常用来说明传染病、食物中毒等的最短和最长潜伏期；一组变量值的最大值与

最小值之差。

2.四分位数间距 是由第3四分位数P75和第1四分位数P25相减而得，记为QR。

3.方差和标准差 方差就是离均差平方和除以N。

标准差就是方差的平方根。

4.变异系数 用于观察指标不同时和均数相差较大时，记为CV。用于两种或多种不同

性质变量变异程度的直观比较；在实验方法学研究中，用来表示方法的精密度。

二．统计推断

单因素

单样本（单组设计）一个样本指标和一个已知的总体指标做比较

1.样本含量较小n<60且样本来自正态分布的总体时——单样本t检验

2.样本含量较大时——u检验

3.样本来自的总体不服从正态分布——Wilcoxon符号秩检验

两相关样本（配对设计）两同质受试对象配成对子分别接受两种不同处理；同一受试对

象分别接受两种不同处理；同一受试对象接受处理前后。

1.两样本差值服从正态分布——配对t检验

2两样本差值不服从正态分布——配对样本比较的Wilcoxon符号秩检验

当n≤50时，查T界值表。

当>50时。可用正态近似法作——u检验

两独立样本（成组设计）适用于完全随机设计两样本的比较

1.两样本含量较小n1≤60或（和）n2≤60，两样本的总体均服从正态分布且总体方差

相等，——两独立样本t检验

2.两样本含量较小n1≤60或（和）n2≤60，两样本的总体均服从正态分布但总体方差

不相等，——两独立样本 t’检验或秩转换的非参数检验

3.两样本的总体有一不服从正态分布或总体方差不相等——两独立样本的Wilcoxon秩

和检验当n1≤10和n2－n1≤10时，查T界值表。

当n1>10或n2－n1>10时，可用正态近似法作——u检验

多个独立样本（单因素多水平设计）

1.完全随机设计资料的方差分析

多个样本的总体均服从正态分布且总体方差相等——单向分类的方差分析

多个样本的总体有一服从正态分布或总体方差不相等——Kruskal-Wills H检

验或进行变量变换后采用单向分类的方差分析Kruskal-Wills H检验当样本个数g=3和每个样本例数≤5时，查H界值表。

当g=3且最小样本例数>5或g>3时，则H近似服从

χ2分布，查χ2界值表。

2.随机区组设计资料的方差分析

对于正态分布且方差齐的资料——双向分类的方差分析

对于分正态分布或（和）方差不齐的资料——Friedman M检验或进行变量变换

后采用双向分类的方差分析。

Friedman M 检验 当n≤15和g≤15时，查M界值表。

当n>15或g>15时，可用卡方近似法，查χ2界值表。

实际上，当g>4或者g=4且n>5或者g=3且n>9时，就可用

χ2近似法，查χ2界值表。

多个独立样本间的多重比较

多个样本均服从正态分布且方差齐

1.LSD-t检验 适用于一对或几对在专业上有特殊意义的样本均数间的比较。

2.Dunnett-t检验 适用于g－1个实验组与一个对照组均数差别的多重比较。

3.SNK-q检验 适用于多个样本均数两两之间的全面比较。

多个独立样本有一不服从正态分布或方差不齐的两两比较—— Nemenyi法检验

多个相关样本有一不服从正态分布或方差不齐的两两比较——q检验

多因素

随机区组设计

SS总=SS处理+SS区组+SS误差

1.观察指标呈正态分布——ANOVA

多个样本均数两两之间的全面比较——SNK-q检验

2.观察指标不呈正态分布——Friedman M检验

当n≤15和g≤15时，查M界值表。当n>15或g>15时，可用卡方近似法，查χ2界值表。

实际上，当g>4或者g=4且n>5或者g=3且n>9时，就可用

χ2近似法，查χ2界值表。

多个相关样本两两比较的q检验

析因设计——方差分析

完全随机的析因设计 SS总=SSA+SSB+SSAB+SSE

随机区组的析因设计 SS总=SSA+SSB+SSAB+SSE+SS区组

正交设计 是非全面实验，g个处理组是各因素个水平的部分组合。适用于寻找疗效好的药物配方，医疗仪器多个参数的优化组合，生物体的培养条件等。

当以筛选各因素各水平最佳组合条件为目的时——直接分析，算一算

当需对实验结果进行统计推断时——方差分析

重复测量设计——方差分析

计数资料

一．统计描述

1.绝对数 如某病的出院人数、治愈人数、死亡人数等，通常不具有可比性。

2.强度相对数 说明某现象发生的频率或强度又称为率。

率=某时期内发生某现象的观察单位数/同期可能发生某现象的观察单位数×比例基数

3.结构相对数 表示事物内部某一部分的个体数与该事物各部分个体数的总和之比，用来说明各构成部分在总体中所占的比重和分布，又称为构成比。构成比=某一组成部分的观察单位数/同一事物各组成部分的观察单位数×100%

4.相对比 简称比，是两个有关指标之比，说明两指标的比例关系。

相对比=甲指标/乙指标×100%

二．统计推断

样本率与总体率的比较

当n较大、p和1－p均不太小，如np和n（1－p）均大于5时——u检验 两样本率的比较

当n1与n2均较大，且p1、1－p1与p2、1－p2均不太小，如n1p1、n1（1－p1）与n2p2、n2（1－p2）均大于5时——u检验

当n≥40且所有的T≥5时——χ2检验的基本公式或专用公式，当P≈ɑ时，改用四格表资料的Fisher确切概率法。

当n≥40但有1≤T≤5时——χ2检验的校正公式或Fisher确切概率法。

当n<40或T<1时——用四格表资料的Fisher确切概率法。

配对四格表资料的χ2检验

当b+c≥40时——一般公式

当b+c<40时——校正公式

多个样本率的比较 ——R×C表的χ2检验

多个样本率间的多重比较——χ2分割法

两个样本构成比比较—— R×C表的χ2检验

等级资料

等级资料两独立样本比较——两独立样本的Wilcoxon秩和检验

等级资料两相关样本比较——两相关样本的Wilcoxon符号秩检验

医学统计spss操作总结 篇5

SPSS软件在心理学科研统计中的应用

SPSS统计分析软件,具有实现各种管理和分析数据的功能,在心理学科研统计中具有重要的作用和价值,重点介绍利用该软件进行心理学科研统计的过程,同时提出在应用过程中需要注意的.问题.

作 者：佟玉英 张景海 TONG Yu-ying ZHANG Jing-hai  作者单位：佟玉英,TONG Yu-ying(黑龙江大学,教育学院,哈尔滨,150080)

张景海,ZHANG Jing-hai(武警哈尔滨指挥学院,门诊部,哈尔滨,150001)

刊 名：黑龙江教育学院学报 英文刊名：JOURNAL OF HEILONGJIANG COLLEGE OF EDUCATION 年，卷(期)：2007 “”(8) 分类号：B841.4 关键词：SPSS   心理学   统计