研究是否相关用什么检验方法

1. 医学论文中怎样根据统计资料的类型选择一种或几种检验方法

刚在那个什么 创新医学网 上看见过 医学论文 写作辅导的文章 这个知道是不是 你要的答案
统计资料的显着性检验(significant test)方法的选择是医学论文中常常遇见的问题，退稿原因中常有显着性检验方法选择不当。如t检验、u检验、χ2检验等，虽然各有其应用范围和要求，但也其共同之处。作者可根据统计资料的类型，选择一种或几种检验方法。但当作者在获得一组、两组或两组以上的数据资料时，选择何种显着性检验，是至关重要的问题。不同的资料类型其统计指标、统计检验的方法是不同的，见表1。
医学生物研究中，许多指标都是服从正态分布(u分布)的，而随着样本含量加大或自由度增大，t分布、χ2分布、F分布都趋向于正态分布见图1、图2。
在《中华创伤杂志》第12卷1～6期和增刊中文章所涉及的统计方法(表2)，表明了正态分布的广泛性、常见性。
故当作者获得数据资料后，首先应进行正态性检眩�范ㄊ欠为标准正态分布(或近似正态分布)或不属于正态分布。笔者首先推荐概率单位法。
当统计资料属于正态分布或近似正态分布时，差异显着性检验方法的选裕�诜合其应用条件下，一般可按表3进行选择。
显着性检验应用时的主要注意事项：(1)率值或均值在进行显着性检验前，应注意样本的代表性和可比性。(2)检验结果接近显着性界限时：要多方面考虑，是否确实不存在差异；或是观察例数不够，而需加大样本例剩换是检验公式运用不当，可用其他检验印证。(3)多个样本比例数的χ2检验，差异显着性，只能说明多组比例数不同或不完全相同，而不能确定哪个比例数不同，要进一步进行显着性检验才能了解两个样本比例数是否构成相同。

表1 一般情况下不同资料的统计指标与检验方法的关系

资料类型 统计指标 统计检验方法
计量资料 均数、标准差 t检验、F检验等
计数资料 率、构成比 χ2检验等
半定量资料 率、构成比 秩和检验、Ridit分析

表2 《中华创伤杂志》第12卷1～6期、
增刊显着性检验方法使用频数

检验方法 应用次数 检验方法 应用次数
t检验 27 直线相关与回归分析 5
χ2检验 16 拟合线性回归 1
F检验 24 相关分析 6
Q检验 2 非参数统计 4
u检验 1 未注明方法 6

表3 常用显着性检验方法的选择

统计资料比较类型 显着性检验
小样本均数与总体均数相比较 t检验
小样本均数相比较 t检验、F检验
两个或多个大样本均数与
总体均数相比较 u检验、t检验
大样本均数相比较 u检验、t检验
配对计量资料 配对t检验
两个率的比较 u检验、χ2检验
多个样本率的的比较 χ2检验
配对计数资料两种属性的
相关分析及其差别的比较 χ2检验

2. 病例对照研究应该用哪种t检验

独立样本t检验是用来检验两个样本分别代表的总体均值是否相等。这个检验的使用条件是两个总体必须独立，两个样本的观测值之间不能存在任何依赖关系。其余过程和单样本相似。在主对话框里检验变量选入要检验的变量，单击定义组，打开，在组一和组二框中输入一个值，含有其余值得个案将不参加检验。或者使用割点分组。然后点继续，确定。输出结果里的独立样本检验表可以通过p值看出两样本方差是否相等，均值是否相等。
配对样本t检验用于检验两个相关样本或成对样本所得均值间的差别是否有统计学意义。它检验的是配对样本值差值的均值是否等于0.打开主面板，选入变量，继续，确定。观察结果的方式还是一样。
看你的病例组和对照组是否配对，一般情况病例和对照数量不一样的都是选用独立样本t检验。

3. 我想用检验两组数据的相关性，应该怎么做相关与“显着性差异”的关系p怎么求

显着性0.229，高于0.05，所以这样分析相关性不成立，而且样本量太低了，最少30个样本。

根据表现形式，可分为:模拟数据，由连续函数组成，是指在一定间隔内连续变化的物理量，也可分为图形数据(如点、线、面)、符号数据、文本数据、图像数据等，如声音大小和温度变化等。

(3)研究是否相关用什么检验方法扩展阅读：

技术标准：

当做出结论时，应该真正描述方向性(例如，明显大于或明显小于)，sig值通常表示为P>0.05，表明没有显着差异，0.01<P<0.05表示显着差异，P<0.01表示显着差异。

如果在测试一个实验中测量的数据，那么当数据之间存在显着差异时，实验的零假设可以被推翻，并且替代假设测试得到支持，相反，如果数据之间没有显着差异，实验的另一个假设可以被推翻，虚无主义的假设得到支持。

原理：

当数据之间具有了显着性差异，就说明参与比对的数据不是来自于同一总体（Population），而是来自于具有差异的两个不同总体，这种差异可能因参与比对的数据是来自不同实验对象的，比如一些一般能力测验中，大学学历被试组的成绩与小学学历被试组会有显着性差异。

案例：

例如，记忆术研究发现，被试学习某记忆法前的成绩和学习记忆法后的记忆成绩会有显着性差异，这一差异很可能来自于学××记忆法对被试记忆能力的改变。

显着性差异是一种有量度的或然性评价，比如，我们说A、B两数据在0.05水平上具备显着性差异，这是说两组数据具备显着性差异的可能性为95%。

两个数据所代表的样本还有5%的可能性是没有差异的。这5%的差异是由于随机误差造成的。

4. 研究两因素间的相关性用什么方法

用独立性检验。

独立性检验是统计学的一种检验方式。与适合性检验同属于X2检验（即卡方检验，英文名：chi square test）
它是根据次数资料判断两类因子彼此相关或相互独立的假设检验。

5. 判断两组数是否相关用哪种假设检验，或者其他方法

相关则有滞后现象，即一组数变化后

6. 如何分析三种试验方法结果的相关性

分析：
统计学意义（p值）
结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。

如何判定结果具有真实的显着性
在最后结论中判断什么样的显着性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显着性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。

所有的检验统计都是正态分布的吗？
并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

1统计软件的选择
在进行统计分析时，作者常使用非专门的数理统计软件Excel进行统计分析。由于Excel提供的统计分析功能十分有限，很难满足实际需要。目前，国际上已开发出的专门用于统计分析的商业软件很多，比较着名有SPSS(Statistical Package for Social Sciences)、SAS(Statistical Analysis System)、BMDP和STATISTICA等。其中，SPSS是专门为社会科学领域的研究者设计的（但是，此软件在自然科学领域也得到广泛应用）；BMDP是专门为生物学和医学领域研究者编制的统计软件。目前，国际学术界有一条不成文的约定：凡是用SPSS和SAS软件进行统计分析所获得的结果，在国际学术交流中不必说明具体算法。由此可见，SPSS和SAS软件已被各领域研究者普遍认可。建议作者们在进行统计分析时尽量使用这2个专门的统计软件。

2均值的计算
在处理实验数据或采样数据时，经常会遇到对相同采样或相同实验条件下同一随机变量的多个不同取值进行统计处理的问题。此时，多数作者会不假思索地直接给出算术平均值和标准差。显然，这种做法是不严谨的。在数理统计学中，作为描述随机变量总体大小特征的统计量有算术平均值、几何平均值和中位数等。何时用算术平均值？何时用几何平均值？以及何时用中位数？这不能由研究者根据主观意愿随意确定，而要根据随机变量的分布特征确定。反映随机变量总体大小特征的统计量是数学期望，而在随机变量的分布服从正态分布时，其总体的数学期望就是其算术平均值。此时，可用样本的算术平均值描述随机变量的大小特征。如果所研究的随机变量不服从正态分布，则算术平均值不能准确反映该变量的大小特征。在这种情况下，可通过假设检验来判断随机变量是否服从对数正态分布。如果服从对数正态分布，则可用几何平均值描述该随机变量总体的大小。此时，就可以计算变量的几何平均值。如果随机变量既不服从正态分布也不服从对数正态分布，则按现有的数理统计学知识，尚无合适的统计量描述该变量的大小特征。退而求其次，此时可用中位数来描述变量的大小特征。

3相关分析中相关系数的选择
在相关分析中，作者们常犯的错误是简单地计算Pearson积矩相关系数，而且既不给出正态分布检验结果，也往往不明确指出所计算的相关系数就是Pearson积矩相关系数。常用的相关系数除有Pearson积矩相关系数外，还有Spearman秩相关系数和Kendall秩相关系数等。其中，Pearson积矩相关系数可用于描述2个随机变量的线性相关程度（相应的相关分析方法称为“参数相关分析”，该方法的检验功效高，检验结果明确）；Spearman或Kendall秩相关系数用来判断两个随机变量在二维和多维空间中是否具有某种共变趋势，而不考虑其变化的幅度（相应的相关分析称为“非参数相关分析”，该方法的检验功效较参数方法稍差，检验结果也不如参数方法明确）。各种成熟的统计软件如SPSS、SAS等均提供了这些相关系数的计算模块。在相关分析中，计算各种相关系数是有前提的。对于二元相关分析，如果2个随机变量服从二元正态分布，或2个随机变量经数据变换后服从二元正态分布，则可以用Pearson积矩相关系数描述这2个随机变量间的相关关系（此时描述的是线性相关关系），而不宜选用功效较低的Spearman或Kendall秩相关系数。如果样本数据或其变换值不服从正态分布，则计算Pearson积矩相关系数就毫无意义。退而求其次，此时只能计算Spearman或Kendall秩相关系数（尽管这样做会导致检验功效的降低）。因此，在报告相关分析结果时，还应提供正态分布检验结果，以证明计算所选择的相关系数是妥当的。需要指出的是，由于Spearman或Kendall秩相关系数是基于顺序变量（秩）设计的相关系数，因此，如果所采集的数据不是确定的数值而仅仅是秩，则使用Spearman或Kendall秩相关系数进行非参数相关分析就成为唯一的选择。

4相关分析与回归分析的区别
相关分析和回归分析是极为常用的2种数理统计方法，在地质学研究领域有着广泛的用途。然而，由于这2种数理统计方法在计算方面存在很多相似之处，且在一些数理统计教科书中没有系统阐明这2种数理统计方法的内在差别，从而使一些研究者不能严格区分相关分析与回归分析。最常见的错误是，用回归分析的结果解释相关性问题。例如，作者将“回归直线（曲线）图”称为“相关性图”或“相关关系图”；将回归直线的R2(拟合度，或称“可决系数”)错误地称为“相关系数”或“相关系数的平方”；根据回归分析的结果宣称2个变量之间存在正的或负的相关关系。这些情况在国内极为普遍。

相关分析与回归分析均为研究2个或多个随机变量间关联性的方法，但2种数理统计方法存在本质的差别，即它们用于不同的研究目的。相关分析的目的在于检验两个随机变量的共变趋势（即共同变化的程度），回归分析的目的则在于试图用自变量来预测因变量的值。在相关分析中，两个变量必须同时都是随机变量，如果其中的一个变量不是随机变量，就不能进行相关分析。这是相关分析方法本身所决定的。对于回归分析，其中的因变量肯定为随机变量（这是回归分析方法本身所决定的），而自变量则可以是普通变量（规范的叫法是“固定变量”，有确定的取值）也可以是随机变量。如果自变量是普通变量，采用的回归方法就是最为常用的“最小二乘法”，即模型Ⅰ回归分析；如果自变量是随机变量，所采用的回归方法与计算者的目的有关---在以预测为目的的情况下，仍采用“最小二乘法”，在以估值为目的的情况下须使用相对严谨的“主轴法”、“约化主轴法”或“Bartlett法”，即模型Ⅱ回归分析。显然，对于回归分析，如果是模型Ⅰ回归分析，就根本不可能回答变量的“相关性”问题，因为普通变量与随机变量之间不存在“相关性”这一概念（问题在于，大多数的回归分析都是模型Ⅰ回归分析！）。此时，即使作者想描述2个变量间的“共变趋势”而改用相关分析，也会因相关分析的前提不存在而使分析结果毫无意义。如果是模型Ⅱ回归分析，鉴于两个随机变量客观上存在“相关性”问题，但因回归分析方法本身不能提供针对自变量和因变量之间相关关系的准确的检验手段，因此，若以预测为目的，最好不提“相关性”问题；若以探索两者的“共变趋势”为目的，建议作者改用相关分析。

7. 什么是统计检验怎么选择统计检验方法

统计检验亦称“假设检验”。根据抽样结果，在一定可靠性程度上对一个或多个总体分布的原假设作出拒绝还是不拒绝（予以接受）结论的程序。决定常取决于样本统计量的数值与所假设的总体参数是否有显着差异。这时称差异显着性检验。检验的推理逻辑为具有概率性质的反证法。

选择

显着性水平和否定域

有了与问题相关的抽样分布，我们便可以把所有可能的结果分成两类：一类是不大可能的结果；另一类人们预料这些结果很可能发生。既然如此，如果我们在一次实际抽样中得到的结果恰好属于第一类，我们就有理由对概率分布的前提假设产生怀疑。

在统计检验中，这些不大可能的结果称为否定域。如果这类结果真的发生了，我们将否定假设；反之就不否定假设。概率分布的具体形式是由假设决定的，假设肯定不止一个。在统计检验中，通常把被检验的那个假设称为零假设(或称原假设，用符号H0表示)，并用它和其他备择假设(用符号H1表示)相对比。

值得注意的是，假设只能被检验，从来不能加以证明。统计检验可以帮助我们否定一个假设，却不能帮助我们肯定一个假设。为了使检验更严格、更科学，还需要更多的东西。首先，我们必须确定冒犯第一类和第二类错误的风险的程度；其次，要确定否定域是否要包含抽样分布的两端。

第一类错误是，零假设H0实际上是正确的，却被否定了。第二类错误则是，H0实际上是错的，却没有被否定。第二类错误是，零假设H0实际上是错误的，却没有被否定。遗憾的是，不管我们如何选择否定域，都不可能完全避免第一类错误和第二类错误，也不可能同时把犯两类错误的危险压缩到最小。

对任何一个给定的检验而言，第一类错误的危险越小，第二类错误的概率就越大；反之亦然。一般来讲，不可能具体估计出第二类错误的概率值。第一类错误则不然，犯第一类错误的概率是否定域内各种结果的概率之和。

由于犯第一类错误的危险和犯第二类错误的危险呈相背趋向，所以统计检验时，我们必须事先在冒多大第一类错误的风险和多大第二类错误的风险之间作出权衡。被我们事先选定的可以犯第一类错误的概率，叫做检验的显着性水平(用α表示)，它决定了否定域的大小。

如果抽样分布是连续的，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显着性水平的要求一致起来（后面的正态检验就如此）。如果抽样分布是非连续的，就要用累计概率的方法找出一组构成否定域的结果。

即在已知概率分布表上，从两端可能性最小的概率开始向中心累计，直至概率之和略小于选定的显着性水平为止。在许多场合，我们能预测偏差的方向，或只对一个方向的偏差感兴趣。每当方向能被预测的时候，在同样显着性水平的条件下，单侧检验比双侧检验更合适。

因为否定域被集中到抽样分布更合适的一侧，可以得到一个比较大的尾端。这样做，可以在犯第一类错误的危险不变的情况下，减少了犯第二类错误的危险。

(7)研究是否相关用什么检验方法扩展阅读

选择统计检验程序的方法时需考虑以下条件：

1、看总体分布是否已知。如果已知，看是不是正态分布。如果已知样本分布为常态分布就可以选择参数检验法，如果总体分布未知就用非参数检验法。

2、在参数检验中，如果总体分布为正态，总体方差已知，两样本独立或相关都可以采用Z检验；如果总体方差未知，根据样本方差，采取不同的t检验。如果总体分布非正态，总体方差已知，根据样本独立或相关采取Z’检验；如果总体方差未知，根据独立和相关采取不同的Z‘检验。

3、根据题目考虑用单侧还是双侧检验。

4、在非参数检验中，按照两个样本相关和不相关、精度与容量等，可以采用符号检验、秩和检验等方法。

8. 研究结果测算的方法有统计显着性和什么

显着性检验分为不同的类别和对应不同的方法。数据的相关性及其检验和数据组之间的差异及其显着性检验是比较常见的两种统计分析方法，在地学、商业、教育、医学等都常用。
相关分析是研究两个或两个以上的随机变量间的相关关系的统计分析方法，例如降水与地形、降水与温度等的相关关系。相关分析前，首先通过散点图了解变量间大致的关系情况。
如果变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点，如果存在某种相关性，那么大部分的数据点就会相对密集并以某种趋势呈现。
方差分析用于正态分布、方差齐性的多组比较，即多个处理平均数之间差异的显着性检验。常见的有单因素分组的多样本均数比较及双因素分组的多个样本均数的比较，方差分析首先是比较各组间总的差异，如总差异有显着性，再进行组间的两两比较，组间比较用q检验或LST检验等。

9. 相关系数检验方法有哪些

相关系数的检验主要有两种方法：一种是对假设 “相关系数ρ=0” 的t检验，另一种是对假设 “相关系数ρ≠0”的z检验。

关于t检验：检验r是否显着，即检验r是否不等于零。

关于z检验：假设相关系数等于ρ，经过一系列步骤，计算出该假设在显着性水平α下为真的置信区间(通俗的讲，就是计算得到一个范围(rlow,rhi)，如果要检验的相关系数落在这个范围内(rlow<r<rhi)，那么原来的假设(相关系数=ρ)有（1-α）的把握成立)。

(9)研究是否相关用什么检验方法扩展阅读

相关表和 相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间 相关的程度。于是，着名统计学家 卡尔·皮尔逊设计了 统计指标——相关系数(Correlation coefficient)。

相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自 平均值的 离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。

需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。

10. 统计学检验方法有哪些

统计学 各种应用条件、校正条件

应用检验方法必须符合其适用条件，不同设计的数据应选用不同检验方法。 一、第五章 参数估计 P74 总体均数的置信区间 1.正态近似法：
总体标准差σ已知，或σ未知但n>50时 2. t分布法
总体标准差σ未知，且n≤50时
二、第六章 计量资料两组均数t检验P93、P99 （一）t 检验的应用条件
适用于计量资料（单样本、两配对样本、两独立样本），并要求： 1. 样本来自正态分布的总体。W检验（n≤50时），H0：样本来自正态总体，P>0.05时尚不能认为两组资料的分布非正态；
2. 两独立样本均数比较时，两总体方差齐性。Levene检验，H0：方差相等。P>0.05时尚不能认为两组资料方差不齐。
（二）方差不齐或非正态时，两计量资料均数的比较方法 方法1. 仅方差不齐时，可采用近似t检验，即 t′检验。 方法2. 变量变换：对数变换、平方根变换、倒数变换等
方法3. 非参数检验：Wilcoxon符号秩检验（两相关样本P142）；Wilcoxon秩和检验、Mann-Whiney-U检验（两独立样本 P145）等

三、第七章 计量资料多组均数的比较-方差分析 （一）方差分析流程 P109
1、多个样本均数比较。若P<0.05，均数不全相等，则进行第2步；
2、作多重比较：LSD-t检验、Dunnett-t检验（多个实验组与一个对照组比较）、SNK-q检验（多个均数间全面比较）
（二）方差分析的应用条件 P114
1、各样本相互独立，服从正态分布；W检验 2、各样本方差齐性。Levene检验
四、分类资料（计数资料）的比较-