苹果/安卓/wp
积分 50, 距离下一级还需 35 积分
道具: 涂鸦板, 彩虹炫, 雷达卡, 热点灯, 显身卡, 匿名卡, 金钱卡下一级可获得
权限: 自定义头衔
购买后可立即获得
权限: 隐身
道具: 金钱卡, 变色卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
这是我做单因素logistic回归分析的结果
16:23:18 上传
单因素logistic回归分析结果
这是我做卡方检验的结果
16:23:19 上传
卡方检验结果
问题：1、卡方结果有几个，该如何选取？能帮我分析一下结果吗？2、logistic单因素分析结果有意义，如果卡方结果是没意义那个，是什么原因呢？我记得两个结果应该是非常接近，是一样有意义的才对啊希望大神能帮帮忙，非常感谢！
有没有人帮帮忙啊，帮我看看卡方检验选哪个结果啊！
求大神，感激不尽~！
这个和数据是有关系的，要看理论频数，卡方检验和精确检验的适用条件不同。
We are interested in the results for the Pearson Chi-Square. We can see here that χ23 = 4.447, p = 0.035. This tells us that there is statistically significant association between Y and X23 at 5% level.
https://statistics.laerd.com/spss-tutorials/chi-square-test-for-association-using-spss-statistics.php
We are interested in the results for the Pearson Chi-Square. We can see here that χ23 = 4.447, p = 0.035. This tells us that there is statistically significant association between Y and X23 at 5% level.
https://statistics.laerd.com/spss-tutorials/chi-square-test-for-association-using-spss-statistics.php
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师拒绝访问 | www.ggdoc.com | 百度云加速
请打开cookies.
此网站 (www.ggdoc.com) 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(42bfb698b8954376-ua98).
重新安装浏览器，或使用别的浏览器只需一步，快速开始
后使用快捷导航没有帐号？
spss卡方检验是常用的统计学方法，主要用于比较变量构成比（率）的差异。
官方微信公众号二维码SPSS教程：分层卡方检验(各层的OR值如何计算？咋报告结果？)
用微信扫描二维码分享至好友和朋友圈
用微信扫描二维码分享至好友和朋友圈
　　提到卡方检验，相信很多小伙伴一定会觉得这还不简单，不就是率的比较嘛，只要是看到分类变量，就直接用卡方检验，拿SPSS两三下算出结果，得出P&0.05，然后心里还美美的。　　不如花一点时间，跟着小咖一起学习一点有趣的统计知识，让自己在统计学的大坑里，也能够不断掌握经验，提升等级，相信也会是一个还不错的选择。　　好了，今天的话题我们还是继续讨论一下最简单的卡方检验，我们在前期推送过一篇文章《观察性研究控制混杂因素第一弹：分层分析》，在文中讲到分层分析是一种常用的控制混杂因素的方法，它将数据资料根据混杂因素进行分层，然后计算各层内的OR值：　　如果层间OR值不一致，则说明分层因素可能存在混杂作用，需要分开报告OR值；如果层间OR值同质，则可以将OR值进行合并，从而计算调整后的OR值。　　针对这个问题，有小伙伴在留言中问到，如何判断层间OR值是否一致呢？是否有相关的统计学方法来进行检验呢？如果层间OR值同质，又该如何计算合并的OR值呢？这个时候，卡方检验家族就要派“分层卡方检验”上场了，本期内容就来向大家进行详细介绍。　　分层卡方检验　　分层卡方检验，也称为Cochran-Mantel-Haenszel检验（CMH检验），它主要用于上述的分层分析中，也就是在研究暴露/处理因素和结局事件关联性的基础上，考虑了分层因素的混杂作用。　　CMH检验通过对分层因素进行控制，从而考察调整之后暴露/处理因素与结局事件之间的关联性。实际上CMH检验，已经不再是单纯的单因素分析，而是已经开始融入了多因素分析的思维模式，应该算作为一种最为简单的多因素分析方法。　　研究实例　　举一个例子吧，小咖同学拟探讨吸烟对某疾病发生风险的影响，共纳入了350名研究对象，并记录了他们的疾病状态、吸烟、性别等信息。　　小咖首先对吸烟因素和疾病之间的关联性进行了卡方检验，其结果显示Pearson χ2=3.607，P=0.058，OR=1.701，95% CI为0.980-2.953，无统计学显著性，可认为吸烟对于该疾病的发生风险并无影响。　　　　（想知道如何计算OR值？请查看：SPSS详细教程：OR值的计算）　　没有得出阳性结果的小咖很不开心，但小咖发现卡方检验的P值已经很接近0.05了，而且OR&1，倾向于认为吸烟是一个危险因素。于是小咖又重新对数据进行了一番审查，结果发现在男性和女性中，吸烟人群所占的比例存在着较大的差异，其中男性吸烟者为49.6%，女性吸烟者为18.4%，两组相比差异具有统计学显著性（P&0.001）。　　小咖判断，性别可能为一个混杂因素，影响了初步分析时吸烟对该疾病的整体效应，因此小咖决定把性别作为一个分层因素，采用分层卡方检验，来分析不同性别分层下，吸烟因素对于该疾病发生风险的影响。　　SPSS操作　　点击Descriptive Statistics & Crosstabs　　　　在Crosstabs对话框中，将Disease选入行变量Row(s)框中，将Smoke选入列变量Column(s)框中，将分层因素Gender选入Layer框中作为分层依据。　　　　如果需要同时控制多个分层因素时，可以点击Next，将下一个分层因素选入框中，SPSS允许最多设置8层。　　点击Statistics，勾选Chi-square、Risk和Cochran&s and Mantel-Haenszel statistics，点击Continue返回，点击OK完成操作。　　　　结果解读　　1.在Chi-square Tests卡方检验的表中，分别给出了男性（Male）、女性（Female）和总体人群卡方检验的结果。　　对于男性，Pearson χ2=8.433，P=0.004，OR=2.769，95% CI为1.368 - 5.607，有统计学显著性，提示在男性中，吸烟是该疾病的一个危险因素。　　对于女性，Pearson χ2=0.966，P=0.326，OR=0.463，95% CI为0.097-2.214，无统计学显著性，提示在女性中，吸烟对该疾病的发生没有影响。　　　　　　2.Test of Homogeneity of Odds Ratio，即对不同分层下OR值是否一致进行检验，也称为OR值同质性检验。表格中输出了两种同质性检验方法的统计量及其检验结果，Breslow-Day方法 χ2=4.624，P=0.032，Tarone's 方法 χ2=4.617，P=0.032。两种方法都显示P&0.05，提示按照性别分层后，层间的OR值存在着一定的异质性。　　　　3.Tests of Conditional Independence，即分层卡方检验的结果，其行变量和列变量分别为疾病和暴露因素，其假设检验为“病例组和对照组的暴露因素的比例是否有差异”。　　　　表格中输出了两种方法的统计量，Cochran&s 方法 χ2=4.599，P=0.032，Mantel-Haenszel 方法 χ2=3.960，P=0.047，前者是后者的改进，两种方法都显示 P&0.05，提示在考虑了性别的分层因素影响后，吸烟因素与该疾病的发生风险有关。注意，此时卡方值的大小只能推断有无关联，但并不能表示关联的程度。　　4. Mantel-Haenszel Common Odds Ratio Estimate，即估计的合并OR值，是在上述Test of Homogeneity of Odds Ratio结果认为各层OR值同质的前提下，进一步去估算其合并的关联强度，SPSS使用Woolf法去检验OR值有无统计学显著性，其假设检验应该为“OR值是否等于1”。　　　　本例结果显示，在控制了性别分层因素的影响后，吸烟因素对于该疾病的发生风险是一个危险因素，其合并OR=1.935，95% CI为1.065-3.519，Woolf法计算的P值为0.030。　　但是，需要注意的是，在本例中，Test of Homogeneity of Odds Ratio的结果显示层间OR值存在一定异质性，因此此时不宜合并OR值，建议分层报告；若层间OR值一致，则可以报告最后合并的OR值。　　撰写结论　　1. 若层间OR值不同质，则分层报告结果，结果描述如下：　　Test of Homogeneity of Odds Ratio结果显示P&0.05，提示层间的OR值具有异质性，此时不宜合并OR值。因此在按照性别进行分层后，在男性中，吸烟是该疾病发生的一个危险因素，OR=2.769，95% CI为1.368-5.607，P=0.004，即吸烟者该疾病的发生风险为非吸烟者的2.769倍；而在女性中，吸烟对该疾病的发生没有影响，OR=0.463，95% CI为0.097-2.214，P=0.326。　　2. 若层间OR值同质，则结果描述如下：（本例研究不适用于此种情况，此处仅为举例说明）　　Test of Homogeneity of Odds Ratio结果提示层间的OR值具有同质性（P&0.05），因此在控制了性别分层因素的影响后，吸烟因素对于该疾病的发生是一个危险因素，其合并OR=1.935，95% CI为1.065-3.519，P=0.047。　　注意：对于前述“3. 分层卡方检验结果”和“4. 基于Mantel-Haenszel方法估算的OR值的检验结果”，两者的P值在结论上应该是保持一致的。　　根据《医学统计学》（孙振球主编）教科书上的介绍，分层分析OR值可采用Mantel-Haenszel方法进行估计，并用Mantel-Haenszel卡方检验的χ2统计量直接对OR值进行假设检验，同时采用Miettinen法计算OR值的95%可信区间，因此此处可报告Mantel-Haenszel卡方检验的P值0.047。　　而SPSS采用的是Woolf法计算OR值的95%可信区间，并对其进行检验，此时P=0.030。由于两者计算方法不同，因此P值的大小稍有差异，但其结论是一致的。
特别声明：本文为网易自媒体平台“网易号”作者上传并发布，仅代表该作者观点。网易仅提供信息发布平台。
阅读下一篇
网易通行证/邮箱用户可以直接登录：spss卡方检验结果,结果看哪里?结果是否有意义?下方的a和b的内容是啥意思?
spss卡方检验结果,结果看哪里?结果是否有意义?下方的a和b的内容是啥意思?
n=94,最小理论频数T=4.70,1 再问： 意思就是说结果不能用？这样做是不对的？ 再答： 无统计学意义是说明你检验.....的无差异，这就是结果，不能说“结果不能用”。至于方法对与不对，要看具体问题，上面的结果只是根据你给出的表说的，无法判断对与错。
我有更好的回答：
剩余:2000字
与《spss卡方检验结果,结果看哪里?结果是否有意义?下方的a和b的内容是啥意思?》相关的作业问题
看显著性看P值,也就是sig.值 ,P
卡方值＝7.36,p=0.599>0.05,故接受原假设,可认为年级与消费金额之间是独立的,即相关系数r=0.
第一个表：n=66>40,最小期望频数=9.86>5,使用pearson卡方值,卡方值=3.771,P=0.052>0.05,按检验水准为0.05下,无统计学意义,即尚不能认为两组的缓解率有羞怯差异.第二个表：n=66>40,1
如果是有序的资料,你要看概率分布,用analyse-nonparametric-Kruskal-Wallis Test.如果是无序的资料,都一样.
这里面有好多种情况：如果理论次数小于5的格子不超过20%（你的表里是0）,而且没有理论次数小于1的情况,使用第一行Pearson,表格里p>0.05,所以差异不显著.否则就用似然比卡方检验.还有一个线性和线性组合：仅用于行变量、列变量都是等级（序次）数据的时候.第二行：连续校正,是用于2*2四格表的情况,如果四格表中,
看第一个Pearson检验结果P值为0.000 ,得看你的置信水平是多少 如果说小于你的置信水平就显著性差异 再问： 置信水平是多少怎么看？ 再答： 置信水平是你自己给定的一个水平 一般都是0.05
简单点说先看Sig.值,如果这个值
打字很辛苦,引用复制请标明出处.这是一个典型的单因素方差分析结果.因素只有一个,即“年级”,这个因素有四个水平,即大1至大4.检验a总分、a因素1、a因素2和a因素3,在年级之间是否有差异.单因素方差分析当涉及到多重比较的时候,需要判定数据是否方差相等.在你的例子中,当方差相等的时候,需要用LSD的方法来进行多重比较；
显著性检验主要看t值和P值,在SPSS显示的结果中,significance是显著性的意思,sig即代表P值,以上结果P均大于0.05,表明不存在统计学差异. 再问： 所以是不显著吗？这几个变量相关性不强？ 再答： 是的。
R值是你这个曲线的你和程度,就是有百分之多少和你样本曲线相似,F值是这个R值的明显程度,所以你只要看R的百分比大小就可以了.从你做出的结果来看,都不合适啊,而且是明显不适合啊,解释变量的系数都不过0.5的= =!,都不能用.R方你可以把他看做是相关百分比,你的百分比都低于20%的,F值又那么大,说明拟合很差,建议你换其
用每个自变量的标准化B/所有自变量标准化B之和,得出的百分比 即可表示该自变量对因变量的贡献占比 再问： 呵呵 ，太谢谢了，我还想问一下，就是，这个有没有理论依据，有人说是模型的r值变化，我在书上也没看到，呵呵，就麻烦了！ 再答： 这个方法也可以，就是你先引入一部分自变量，进行回归后，得到R值，然后再把另外的一个自变量
Chi-Square就是卡方的意思,因此你的结果的卡方值等于9.910；df指的是自由度；ASYMP.sig就是我们常说的P值,因此P=0.007；一般来说,只要P值小于0.05就认为结果有显著性差异；此外,你还应该注意表格下面的注a.0 cells (.0%) have expected count less tha
df指的是自由度,有没有限制差别就是看渐近显著性一栏,那些v对应的0.045等那一栏,凡是大于0.05的都是不显著,即没有显著差别,从你的结果上看只有v4有显著差别,只是修改什么的我也不是很明白,既然你收集到的数据就是这样,不显著就是不显著了,怎么肯能去篡改数据硬要它显著呢?另外99%的置信区间你应该不需要看,检验嘛主
KMO检验用于检查变量间的偏相关性 一般认为该值大于0.9时效果最佳 0.7以上尚可,0.6时效果较差 Bartlett's球形检验用于检验相关阵是否是单位阵 P
连续型变量用Pearson相关,分类变量Spearman相关第一个表看对应的相关系数-0.098,P值0.002,小于0.05,有统计学意义.说明存在弱的负相关.第二个图就是两个变量的均值与标准差. 再问： 什么是分类变量呢？（只听过定序、定类、定比、定距变量）。另外用里克特量表做的变量，如不重要、比较不重要、一般、比
是看P值.如果采用独立样本T检验,首先要看这些样本是否符合“正态性”、“独立性”和“方差齐性”,故在SPSS中会给出“方差齐性”的F检验结果,如果F检验为方差齐性（P〉0.05）,则再看T检验中的P值,如果些是P值〈小于0.05（在显著性水平设为0.05的情况下）,则可判断男女在使用同一种策略上存在显著差异. 再问：
请对数据合并后,再重新做卡方检验.此资料不满足“卡方检验”的应用条件,需合并分类,使小于5的理论频数(即expected count,期望数)小于20%(就是让37%下降到20%以下),最小理论频数(minimum expected count )大于1.注意：合并应需合理,由于不知道是什么数据,无法给出解答.
先看F检验的结果,你给出来了吗是不是显著的,看了之后再谈论Duncan的问题吧,我替别人做这类的数据分析很多的 再问： 大神 还是私密你吧
p值0.55>0.05结果不显著 说明没有影响 再答： 理论频数小于5 结果不可靠