你知道分类数据的统计分析技巧有哪些吗?你知道什么是分类数据的统计分析吗?下面是yjbys小编为大家带来的关于分类数据的统计分析技巧的知识,欢迎阅读。
分类数据的统计分析
1. 样本数据与总体比较
1)二分类资料:
(1)小样本数据:用二项分布进行确切概率法检验;
(2)大样本数据:用U检验;
2)多分类数据:用Pearson检验(又称拟合优度检验)。
2. 四格表(2×2表)数据
1)完全随机设计的四格表数据的分析
(1)当样本量n>40,并且4个格子理论数均大于5时,则用Pearson 检验;
(2)当样本量n>40,并且4个格子理论数均大于1且至少存在一个格子的理论数<5时,则用校正检验或用Fisher’s精确概率法检验;
(3)当样本量n£40或存在任一格子理论数<1,则用精确概率法检验;
2)配对设计的四格表数据的.分析
(1)b+c≥40,则用McNemar配对检验;
(2)b+c<40,则用二项分布确切概率法检验;
3. 2×C表或R×2表数据的统计分析
1)列变量为效应指标,并且为有序多分类变量,行变量为分组变量,则可以采用行平均得分差(Row Mean Scores Differ)的CMH 或成组的Wilcoxon秩和检验;
2)列变量为效应指标并且为二分类,行变量为有序多分类变量,则可采用普通的Pearson 检验比较各组之间有无差别,如果总的来说有差别,还可进一步作两两比较,以说明是否任意两组之间的差别都有统计学意义。
3)行变量和列变量均为无序分类变量:
(1)当样本量n>40,并且理论数小于5的格子数少于行列表中格子总数的25%,则用Pearson 检验;
(2)当样本量n£40,或理论数小于5的格子数多于行列表中格子总数的25%,则用Fisher’s确切概率法检验;
4. R×C表数据的统计分析
1)完全随机设计的R×C表数据的统计分析
(1)列变量为效应指标,并且为有序多分类变量,行变量为分组变量,则CMH 或Kruskal Wallis的秩和检验;
(2)列变量为效应指标,并且为无序多分类变量,行变量为有序多分类变量,则采用普通的Pearson 检验比较各组之间有无差别,如果总的来说有差别,还可进一步作两两比较,以说明是否任意两组之间的差别都有统计学意义;
(3)列变量和行变量均为有序多分类变量,可以作Spearman相关分析或者非零相关(none zero correlation)的CMH ;
(4)列变量和行变量均为无序多分类变量:
i. 当样本量n>40并且理论数小于5的格子数少于行列表中格子总数的25%,则用Pearson 检验进行分析;
ii. 当样本量n£40或理论数小于5的格子数多于行列表中格子总数的25%,则用Fisher’s 确切概率法检验;
2)配对设计的C×C表数据:
(1)配对比较:用McNemar配对检验;
(2)一致性检验(Agreement):用Kappa检验;
Poisson分布数据
1. 单样本数据与总体比较:
1)当观察值较小时:可以用确切概率法进行检验。
2) 当观察值较大时:可以用正态近似的U检验。
2. 两个样本数据的比较:可以用正态近似的U检验。
两个变量之间的关联性分析
1. 两个变量均为连续型变量
1)当两变量为小样本并且两个变量服从双正态分布时,可以用Pearson相关系数来衡量两个变量之间的关联性;
2)当两变量为大样本或两个变量不服从双正态分布,则用Spearman相关系数来衡量两个变量之间的关联性;
2. 如果两个变量均为有序分类变量,可以用Spearman相关系数来衡量两个变量之间的关联性;
3. 如果一个变量为有序分类变量,另一个变量为连续型变量,可以用Spearman相关系数来衡量两个变量之间的关联性。