研究是否相關用什麼檢驗方法

1. 醫學論文中怎樣根據統計資料的類型選擇一種或幾種檢驗方法

剛在那個什麼 創新醫學網 上看見過 醫學論文 寫作輔導的文章 這個知道是不是 你要的答案
統計資料的顯著性檢驗(significant test)方法的選擇是醫學論文中常常遇見的問題，退稿原因中常有顯著性檢驗方法選擇不當。如t檢驗、u檢驗、χ2檢驗等，雖然各有其應用范圍和要求，但也其共同之處。作者可根據統計資料的類型，選擇一種或幾種檢驗方法。但當作者在獲得一組、兩組或兩組以上的數據資料時，選擇何種顯著性檢驗，是至關重要的問題。不同的資料類型其統計指標、統計檢驗的方法是不同的，見表1。
醫學生物研究中，許多指標都是服從正態分布(u分布)的，而隨著樣本含量加大或自由度增大，t分布、χ2分布、F分布都趨向於正態分布見圖1、圖2。
在《中華創傷雜志》第12卷1～6期和增刊中文章所涉及的統計方法(表2)，表明了正態分布的廣泛性、常見性。
故當作者獲得數據資料後，首先應進行正態性檢眩�范ㄊ欠為標准正態分布(或近似正態分布)或不屬於正態分布。筆者首先推薦概率單位法。
當統計資料屬於正態分布或近似正態分布時，差異顯著性檢驗方法的選裕�詵合其應用條件下，一般可按表3進行選擇。
顯著性檢驗應用時的主要注意事項：(1)率值或均值在進行顯著性檢驗前，應注意樣本的代表性和可比性。(2)檢驗結果接近顯著性界限時：要多方面考慮，是否確實不存在差異；或是觀察例數不夠，而需加大樣本例剩換是檢驗公式運用不當，可用其他檢驗印證。(3)多個樣本比例數的χ2檢驗，差異顯著性，只能說明多組比例數不同或不完全相同，而不能確定哪個比例數不同，要進一步進行顯著性檢驗才能了解兩個樣本比例數是否構成相同。

表1 一般情況下不同資料的統計指標與檢驗方法的關系

資料類型 統計指標 統計檢驗方法
計量資料 均數、標准差 t檢驗、F檢驗等
計數資料 率、構成比 χ2檢驗等
半定量資料 率、構成比 秩和檢驗、Ridit分析

表2 《中華創傷雜志》第12卷1～6期、
增刊顯著性檢驗方法使用頻數

檢驗方法 應用次數 檢驗方法 應用次數
t檢驗 27 直線相關與回歸分析 5
χ2檢驗 16 擬合線性回歸 1
F檢驗 24 相關分析 6
Q檢驗 2 非參數統計 4
u檢驗 1 未註明方法 6

表3 常用顯著性檢驗方法的選擇

統計資料比較類型 顯著性檢驗
小樣本均數與總體均數相比較 t檢驗
小樣本均數相比較 t檢驗、F檢驗
兩個或多個大樣本均數與
總體均數相比較 u檢驗、t檢驗
大樣本均數相比較 u檢驗、t檢驗
配對計量資料 配對t檢驗
兩個率的比較 u檢驗、χ2檢驗
多個樣本率的的比較 χ2檢驗
配對計數資料兩種屬性的
相關分析及其差別的比較 χ2檢驗

2. 病例對照研究應該用哪種t檢驗

獨立樣本t檢驗是用來檢驗兩個樣本分別代表的總體均值是否相等。這個檢驗的使用條件是兩個總體必須獨立，兩個樣本的觀測值之間不能存在任何依賴關系。其餘過程和單樣本相似。在主對話框里檢驗變數選入要檢驗的變數，單擊定義組，打開，在組一和組二框中輸入一個值，含有其餘值得個案將不參加檢驗。或者使用割點分組。然後點繼續，確定。輸出結果里的獨立樣本檢驗表可以通過p值看出兩樣本方差是否相等，均值是否相等。
配對樣本t檢驗用於檢驗兩個相關樣本或成對樣本所得均值間的差別是否有統計學意義。它檢驗的是配對樣本值差值的均值是否等於0.打開主面板，選入變數，繼續，確定。觀察結果的方式還是一樣。
看你的病例組和對照組是否配對，一般情況病例和對照數量不一樣的都是選用獨立樣本t檢驗。

3. 我想用檢驗兩組數據的相關性，應該怎麼做相關與「顯著性差異」的關系p怎麼求

顯著性0.229，高於0.05，所以這樣分析相關性不成立，而且樣本量太低了，最少30個樣本。

根據表現形式，可分為:模擬數據，由連續函數組成，是指在一定間隔內連續變化的物理量，也可分為圖形數據(如點、線、面)、符號數據、文本數據、圖像數據等，如聲音大小和溫度變化等。

(3)研究是否相關用什麼檢驗方法擴展閱讀：

技術標准：

當做出結論時，應該真正描述方向性(例如，明顯大於或明顯小於)，sig值通常表示為P>0.05，表明沒有顯著差異，0.01<P<0.05表示顯著差異，P<0.01表示顯著差異。

如果在測試一個實驗中測量的數據，那麼當數據之間存在顯著差異時，實驗的零假設可以被推翻，並且替代假設測試得到支持，相反，如果數據之間沒有顯著差異，實驗的另一個假設可以被推翻，虛無主義的假設得到支持。

原理：

當數據之間具有了顯著性差異，就說明參與比對的數據不是來自於同一總體（Population），而是來自於具有差異的兩個不同總體，這種差異可能因參與比對的數據是來自不同實驗對象的，比如一些一般能力測驗中，大學學歷被試組的成績與小學學歷被試組會有顯著性差異。

案例：

例如，記憶術研究發現，被試學習某記憶法前的成績和學習記憶法後的記憶成績會有顯著性差異，這一差異很可能來自於學××記憶法對被試記憶能力的改變。

顯著性差異是一種有量度的或然性評價，比如，我們說A、B兩數據在0.05水平上具備顯著性差異，這是說兩組數據具備顯著性差異的可能性為95%。

兩個數據所代表的樣本還有5%的可能性是沒有差異的。這5%的差異是由於隨機誤差造成的。

4. 研究兩因素間的相關性用什麼方法

用獨立性檢驗。

獨立性檢驗是統計學的一種檢驗方式。與適合性檢驗同屬於X2檢驗（即卡方檢驗，英文名：chi square test）
它是根據次數資料判斷兩類因子彼此相關或相互獨立的假設檢驗。

5. 判斷兩組數是否相關用哪種假設檢驗，或者其他方法

相關則有滯後現象，即一組數變化後

6. 如何分析三種試驗方法結果的相關性

分析：
統計學意義（p值）
結果的統計學意義是結果真實程度（能夠代表總體）的一種估計方法。專業上，p值為結果可信程度的一個遞減指標，p值越大，我們越不能認為樣本中變數的關聯是總體中各變數關聯的可靠指標。p值是將觀察結果認為有效即具有總體代表性的犯錯概率。如p=0.05提示樣本中變數關聯有5%的可能是由於偶然性造成的。即假設總體中任意變數間均無關聯，我們重復類似實驗，會發現約20個實驗中有一個實驗，我們所研究的變數關聯將等於或強於我們的實驗結果。（這並不是說如果變數間存在關聯，我們可得到5%或95%次數的相同結果，當總體中的變數存在關聯，重復研究和發現關聯的可能性與設計的統計學效力有關。）在許多研究領域，0.05的p值通常被認為是可接受錯誤的邊界水平。

如何判定結果具有真實的顯著性
在最後結論中判斷什麼樣的顯著性水平具有統計學意義，不可避免地帶有武斷性。換句話說，認為結果無效而被拒絕接受的水平的選擇具有武斷性。實踐中，最後的決定通常依賴於數據集比較和分析過程中結果是先驗性還是僅僅為均數之間的兩兩>比較，依賴於總體數據集里結論一致的支持性證據的數量，依賴於以往該研究領域的慣例。通常，許多的科學領域中產生p值的結果≤0.05被認為是統計學意義的邊界線，但是這顯著性水平還包含了相當高的犯錯可能性。結果0.05≥p>0.01被認為是具有統計學意義，而0.01≥p≥0.001被認為具有高度統計學意義。但要注意這種分類僅僅是研究基礎上非正規的判斷常規。

所有的檢驗統計都是正態分布的嗎？
並不完全如此，但大多數檢驗都直接或間接與之有關，可以從正態分布中推導出來，如t檢驗、f檢驗或卡方檢驗。這些檢驗一般都要求：所分析變數在總體中呈正態分布，即滿足所謂的正態假設。許多觀察變數的確是呈正態分布的，這也是正態分布是現實世界的基本特徵的原因。當人們用在正態分布基礎上建立的檢驗分析非正態分布變數的數據時問題就產生了，（參閱非參數和方差分析的正態性檢驗）。這種條件下有兩種方法：一是用替代的非參數檢驗（即無分布性檢驗），但這種方法不方便，因為從它所提供的結論形式看，這種方法統計效率低下、不靈活。另一種方法是：當確定樣本量足夠大的情況下，通常還是可以使用基於正態分布前提下的檢驗。後一種方法是基於一個相當重要的原則產生的，該原則對正態方程基礎上的總體檢驗有極其重要的作用。即，隨著樣本量的增加，樣本分布形狀趨於正態，即使所研究的變數分布並不呈正態。

1統計軟體的選擇
在進行統計分析時，作者常使用非專門的數理統計軟體Excel進行統計分析。由於Excel提供的統計分析功能十分有限，很難滿足實際需要。目前，國際上已開發出的專門用於統計分析的商業軟體很多，比較著名有SPSS(Statistical Package for Social Sciences)、SAS(Statistical Analysis System)、BMDP和STATISTICA等。其中，SPSS是專門為社會科學領域的研究者設計的（但是，此軟體在自然科學領域也得到廣泛應用）；BMDP是專門為生物學和醫學領域研究者編制的統計軟體。目前，國際學術界有一條不成文的約定：凡是用SPSS和SAS軟體進行統計分析所獲得的結果，在國際學術交流中不必說明具體演算法。由此可見，SPSS和SAS軟體已被各領域研究者普遍認可。建議作者們在進行統計分析時盡量使用這2個專門的統計軟體。

2均值的計算
在處理實驗數據或采樣數據時，經常會遇到對相同采樣或相同實驗條件下同一隨機變數的多個不同取值進行統計處理的問題。此時，多數作者會不假思索地直接給出算術平均值和標准差。顯然，這種做法是不嚴謹的。在數理統計學中，作為描述隨機變數總體大小特徵的統計量有算術平均值、幾何平均值和中位數等。何時用算術平均值？何時用幾何平均值？以及何時用中位數？這不能由研究者根據主觀意願隨意確定，而要根據隨機變數的分布特徵確定。反映隨機變數總體大小特徵的統計量是數學期望，而在隨機變數的分布服從正態分布時，其總體的數學期望就是其算術平均值。此時，可用樣本的算術平均值描述隨機變數的大小特徵。如果所研究的隨機變數不服從正態分布，則算術平均值不能准確反映該變數的大小特徵。在這種情況下，可通過假設檢驗來判斷隨機變數是否服從對數正態分布。如果服從對數正態分布，則可用幾何平均值描述該隨機變數總體的大小。此時，就可以計算變數的幾何平均值。如果隨機變數既不服從正態分布也不服從對數正態分布，則按現有的數理統計學知識，尚無合適的統計量描述該變數的大小特徵。退而求其次，此時可用中位數來描述變數的大小特徵。

3相關分析中相關系數的選擇
在相關分析中，作者們常犯的錯誤是簡單地計算Pearson積矩相關系數，而且既不給出正態分布檢驗結果，也往往不明確指出所計算的相關系數就是Pearson積矩相關系數。常用的相關系數除有Pearson積矩相關系數外，還有Spearman秩相關系數和Kendall秩相關系數等。其中，Pearson積矩相關系數可用於描述2個隨機變數的線性相關程度（相應的相關分析方法稱為「參數相關分析」，該方法的檢驗功效高，檢驗結果明確）；Spearman或Kendall秩相關系數用來判斷兩個隨機變數在二維和多維空間中是否具有某種共變趨勢，而不考慮其變化的幅度（相應的相關分析稱為「非參數相關分析」，該方法的檢驗功效較參數方法稍差，檢驗結果也不如參數方法明確）。各種成熟的統計軟體如SPSS、SAS等均提供了這些相關系數的計算模塊。在相關分析中，計算各種相關系數是有前提的。對於二元相關分析，如果2個隨機變數服從二元正態分布，或2個隨機變數經數據變換後服從二元正態分布，則可以用Pearson積矩相關系數描述這2個隨機變數間的相關關系（此時描述的是線性相關關系），而不宜選用功效較低的Spearman或Kendall秩相關系數。如果樣本數據或其變換值不服從正態分布，則計算Pearson積矩相關系數就毫無意義。退而求其次，此時只能計算Spearman或Kendall秩相關系數（盡管這樣做會導致檢驗功效的降低）。因此，在報告相關分析結果時，還應提供正態分布檢驗結果，以證明計算所選擇的相關系數是妥當的。需要指出的是，由於Spearman或Kendall秩相關系數是基於順序變數（秩）設計的相關系數，因此，如果所採集的數據不是確定的數值而僅僅是秩，則使用Spearman或Kendall秩相關系數進行非參數相關分析就成為唯一的選擇。

4相關分析與回歸分析的區別
相關分析和回歸分析是極為常用的2種數理統計方法，在地質學研究領域有著廣泛的用途。然而，由於這2種數理統計方法在計算方面存在很多相似之處，且在一些數理統計教科書中沒有系統闡明這2種數理統計方法的內在差別，從而使一些研究者不能嚴格區分相關分析與回歸分析。最常見的錯誤是，用回歸分析的結果解釋相關性問題。例如，作者將「回歸直線（曲線）圖」稱為「相關性圖」或「相關關系圖」；將回歸直線的R2(擬合度，或稱「可決系數」)錯誤地稱為「相關系數」或「相關系數的平方」；根據回歸分析的結果宣稱2個變數之間存在正的或負的相關關系。這些情況在國內極為普遍。

相關分析與回歸分析均為研究2個或多個隨機變數間關聯性的方法，但2種數理統計方法存在本質的差別，即它們用於不同的研究目的。相關分析的目的在於檢驗兩個隨機變數的共變趨勢（即共同變化的程度），回歸分析的目的則在於試圖用自變數來預測因變數的值。在相關分析中，兩個變數必須同時都是隨機變數，如果其中的一個變數不是隨機變數，就不能進行相關分析。這是相關分析方法本身所決定的。對於回歸分析，其中的因變數肯定為隨機變數（這是回歸分析方法本身所決定的），而自變數則可以是普通變數（規范的叫法是「固定變數」，有確定的取值）也可以是隨機變數。如果自變數是普通變數，採用的回歸方法就是最為常用的「最小二乘法」，即模型Ⅰ回歸分析；如果自變數是隨機變數，所採用的回歸方法與計算者的目的有關---在以預測為目的的情況下，仍採用「最小二乘法」，在以估值為目的的情況下須使用相對嚴謹的「主軸法」、「約化主軸法」或「Bartlett法」，即模型Ⅱ回歸分析。顯然，對於回歸分析，如果是模型Ⅰ回歸分析，就根本不可能回答變數的「相關性」問題，因為普通變數與隨機變數之間不存在「相關性」這一概念（問題在於，大多數的回歸分析都是模型Ⅰ回歸分析！）。此時，即使作者想描述2個變數間的「共變趨勢」而改用相關分析，也會因相關分析的前提不存在而使分析結果毫無意義。如果是模型Ⅱ回歸分析，鑒於兩個隨機變數客觀上存在「相關性」問題，但因回歸分析方法本身不能提供針對自變數和因變數之間相關關系的准確的檢驗手段，因此，若以預測為目的，最好不提「相關性」問題；若以探索兩者的「共變趨勢」為目的，建議作者改用相關分析。

7. 什麼是統計檢驗怎麼選擇統計檢驗方法

統計檢驗亦稱「假設檢驗」。根據抽樣結果，在一定可靠性程度上對一個或多個總體分布的原假設作出拒絕還是不拒絕（予以接受）結論的程序。決定常取決於樣本統計量的數值與所假設的總體參數是否有顯著差異。這時稱差異顯著性檢驗。檢驗的推理邏輯為具有概率性質的反證法。

選擇

顯著性水平和否定域

有了與問題相關的抽樣分布，我們便可以把所有可能的結果分成兩類：一類是不大可能的結果；另一類人們預料這些結果很可能發生。既然如此，如果我們在一次實際抽樣中得到的結果恰好屬於第一類，我們就有理由對概率分布的前提假設產生懷疑。

在統計檢驗中，這些不大可能的結果稱為否定域。如果這類結果真的發生了，我們將否定假設；反之就不否定假設。概率分布的具體形式是由假設決定的，假設肯定不止一個。在統計檢驗中，通常把被檢驗的那個假設稱為零假設(或稱原假設，用符號H0表示)，並用它和其他備擇假設(用符號H1表示)相對比。

值得注意的是，假設只能被檢驗，從來不能加以證明。統計檢驗可以幫助我們否定一個假設，卻不能幫助我們肯定一個假設。為了使檢驗更嚴格、更科學，還需要更多的東西。首先，我們必須確定冒犯第一類和第二類錯誤的風險的程度；其次，要確定否定域是否要包含抽樣分布的兩端。

第一類錯誤是，零假設H0實際上是正確的，卻被否定了。第二類錯誤則是，H0實際上是錯的，卻沒有被否定。第二類錯誤是，零假設H0實際上是錯誤的，卻沒有被否定。遺憾的是，不管我們如何選擇否定域，都不可能完全避免第一類錯誤和第二類錯誤，也不可能同時把犯兩類錯誤的危險壓縮到最小。

對任何一個給定的檢驗而言，第一類錯誤的危險越小，第二類錯誤的概率就越大；反之亦然。一般來講，不可能具體估計出第二類錯誤的概率值。第一類錯誤則不然，犯第一類錯誤的概率是否定域內各種結果的概率之和。

由於犯第一類錯誤的危險和犯第二類錯誤的危險呈相背趨向，所以統計檢驗時，我們必須事先在冒多大第一類錯誤的風險和多大第二類錯誤的風險之間作出權衡。被我們事先選定的可以犯第一類錯誤的概率，叫做檢驗的顯著性水平(用α表示)，它決定了否定域的大小。

如果抽樣分布是連續的，否定域可以建立在想要建立的任何水平上，否定域的大小可以和顯著性水平的要求一致起來（後面的正態檢驗就如此）。如果抽樣分布是非連續的，就要用累計概率的方法找出一組構成否定域的結果。

即在已知概率分布表上，從兩端可能性最小的概率開始向中心累計，直至概率之和略小於選定的顯著性水平為止。在許多場合，我們能預測偏差的方向，或只對一個方向的偏差感興趣。每當方向能被預測的時候，在同樣顯著性水平的條件下，單側檢驗比雙側檢驗更合適。

因為否定域被集中到抽樣分布更合適的一側，可以得到一個比較大的尾端。這樣做，可以在犯第一類錯誤的危險不變的情況下，減少了犯第二類錯誤的危險。

(7)研究是否相關用什麼檢驗方法擴展閱讀

選擇統計檢驗程序的方法時需考慮以下條件：

1、看總體分布是否已知。如果已知，看是不是正態分布。如果已知樣本分布為常態分布就可以選擇參數檢驗法，如果總體分布未知就用非參數檢驗法。

2、在參數檢驗中，如果總體分布為正態，總體方差已知，兩樣本獨立或相關都可以採用Z檢驗；如果總體方差未知，根據樣本方差，採取不同的t檢驗。如果總體分布非正態，總體方差已知，根據樣本獨立或相關採取Z』檢驗；如果總體方差未知，根據獨立和相關採取不同的Z『檢驗。

3、根據題目考慮用單側還是雙側檢驗。

4、在非參數檢驗中，按照兩個樣本相關和不相關、精度與容量等，可以採用符號檢驗、秩和檢驗等方法。

8. 研究結果測算的方法有統計顯著性和什麼

顯著性檢驗分為不同的類別和對應不同的方法。數據的相關性及其檢驗和數據組之間的差異及其顯著性檢驗是比較常見的兩種統計分析方法，在地學、商業、教育、醫學等都常用。
相關分析是研究兩個或兩個以上的隨機變數間的相關關系的統計分析方法，例如降水與地形、降水與溫度等的相關關系。相關分析前，首先通過散點圖了解變數間大致的關系情況。
如果變數之間不存在相互關系，那麼在散點圖上就會表現為隨機分布的離散的點，如果存在某種相關性，那麼大部分的數據點就會相對密集並以某種趨勢呈現。
方差分析用於正態分布、方差齊性的多組比較，即多個處理平均數之間差異的顯著性檢驗。常見的有單因素分組的多樣本均數比較及雙因素分組的多個樣本均數的比較，方差分析首先是比較各組間總的差異，如總差異有顯著性，再進行組間的兩兩比較，組間比較用q檢驗或LST檢驗等。

9. 相關系數檢驗方法有哪些

相關系數的檢驗主要有兩種方法：一種是對假設 「相關系數ρ=0」 的t檢驗，另一種是對假設 「相關系數ρ≠0」的z檢驗。

關於t檢驗：檢驗r是否顯著，即檢驗r是否不等於零。

關於z檢驗：假設相關系數等於ρ，經過一系列步驟，計算出該假設在顯著性水平α下為真的置信區間(通俗的講，就是計算得到一個范圍(rlow,rhi)，如果要檢驗的相關系數落在這個范圍內(rlow<r<rhi)，那麼原來的假設(相關系數=ρ)有（1-α）的把握成立)。

(9)研究是否相關用什麼檢驗方法擴展閱讀

相關表和 相關圖可反映兩個變數之間的相互關系及其相關方向，但無法確切地表明兩個變數之間 相關的程度。於是，著名統計學家 卡爾·皮爾遜設計了 統計指標——相關系數(Correlation coefficient)。

相關系數是用以反映變數之間相關關系密切程度的統計指標。相關系數是按積差方法計算，同樣以兩變數與各自 平均值的 離差為基礎，通過兩個離差相乘來反映兩變數之間相關程度；著重研究線性的單相關系數。

需要說明的是，皮爾遜相關系數並不是唯一的相關系數，但是最常見的相關系數，以下解釋都是針對皮爾遜相關系數。

10. 統計學檢驗方法有哪些

統計學 各種應用條件、校正條件

應用檢驗方法必須符合其適用條件，不同設計的數據應選用不同檢驗方法。 一、第五章 參數估計 P74 總體均數的置信區間 1.正態近似法：
總體標准差σ已知，或σ未知但n>50時 2. t分布法
總體標准差σ未知，且n≤50時
二、第六章 計量資料兩組均數t檢驗P93、P99 （一）t 檢驗的應用條件
適用於計量資料（單樣本、兩配對樣本、兩獨立樣本），並要求： 1. 樣本來自正態分布的總體。W檢驗（n≤50時），H0：樣本來自正態總體，P>0.05時尚不能認為兩組資料的分布非正態；
2. 兩獨立樣本均數比較時，兩總體方差齊性。Levene檢驗，H0：方差相等。P>0.05時尚不能認為兩組資料方差不齊。
（二）方差不齊或非正態時，兩計量資料均數的比較方法 方法1. 僅方差不齊時，可採用近似t檢驗，即 t′檢驗。 方法2. 變數變換：對數變換、平方根變換、倒數變換等
方法3. 非參數檢驗：Wilcoxon符號秩檢驗（兩相關樣本P142）；Wilcoxon秩和檢驗、Mann-Whiney-U檢驗（兩獨立樣本 P145）等

三、第七章 計量資料多組均數的比較-方差分析 （一）方差分析流程 P109
1、多個樣本均數比較。若P<0.05，均數不全相等，則進行第2步；
2、作多重比較：LSD-t檢驗、Dunnett-t檢驗（多個實驗組與一個對照組比較）、SNK-q檢驗（多個均數間全面比較）
（二）方差分析的應用條件 P114
1、各樣本相互獨立，服從正態分布；W檢驗 2、各樣本方差齊性。Levene檢驗
四、分類資料（計數資料）的比較-