放到spss中，定义两个变量，第一个变量叫做：group，用1代表实验组，用2代表对照组，每个组两个数字；第二个变量叫分娩方式，分别用1、2、3代表阴道分娩、阴道助产和剖宫产。然后用描述性统计方法中的交叉列联表计算就ok了！希望对你有帮助！
Microsoft Excel 提供了一组数据分析工具，称为“分析工具库”，在建立复杂统计或工程分析时可节省步骤。只需为每一个分析工具提供必要的数据和参数，该工具就会使用适当的统计或工程宏函数，在输出表格中显示相应的结果。其中有些工具在生成输出表格时还能同时生成图表。
相关的工作表函数 Excel 还提供了许多其他统计、财务和工程工作表函数。某些统计函数是内置函数，而其他函数只有在安装了“分析工具库”之后才能使用。
访问数据分析工具 “分析工具库”包括下述工具。要使用这些工具，请单击“工具”菜单上的“数据分析”。如果没有显示“数据分析”命令，则需要加载“分析工具库”加载项 （加载项：为 Microsoft Office 提供自定义命令或自定义功能的补充程序。）程序。
方差分析
方差分析工具提供了几种方差分析工具。具体使用哪一种工具则根据因素的个数以及待检验样本总体中所含样本的个数而定。
方差分析：单因素 此工具可对两个或更多样本的数据执行简单的方差分析。此分析可提供一种假设测试，该假设的内容是：每个样本都取自相同基础概率分布，而不是对所有样本来说基础概率分布都不相同。如果只有两个样本，则工作表函数 TTEST 可被平等使用。如果有两个以上样本，则没有合适的 TTEST 归纳和“单因素方差分析”模型可被调用。
方差分析：包含重复的双因素 此分析工具可用于当数据按照二维进行分类时的情况。例如，在测量植物高度的实验中，植物可能使用不同品牌的化肥（例如 A、B 和 C），并且也可能放在不同温度的环境中（例如高和低）。对于这 6 对可能的组合 {化肥，温度}，我们有相同数量的植物高度观察值。使用此方差分析工具，我们可检验：
使用不同品牌化肥的植物的高度是否取自相同的基础总体；在此分析中，温度可以被忽略。不同温度下的植物的高度是否取自相同的基础总体；在此分析中，化肥可以被忽略。
是否考虑到在第 1 步中发现的不同品牌化肥之间的差异以及第 2 步中不同温度之间差异的影响，代表所有 {化肥，温度} 值的 6 个样本取自相同的样本总体。另一种假设是仅基于化肥或温度来说，这些差异会对特定的 {化肥，温度} 值有影响。
方差分析：无重复的双因素 此分析工具可用于当数据按照二维进行分类且包含重复的双因素的情况。但是，对于此工具，假设每一对值只有一个观察值（例如，在上面的示例中的 {化肥，温度} 值）。使用此工具我们可以应用方差分析的第 1 和 2 步检验：包含重复的双因素情况，但没有足够的数据应用第 3 步的数据。
相关系数
CORREL 和 PEARSON 工作表函数可计算两组不同测量值变量之间的相关系数，条件是当每种变量的测量值都是对 N 个对象进行观测所得到的。（任何对象的任何丢失的观测值都会引起在分析中忽略该对象。）系数分析工具特别适合于当 N 个对象中的每个对象都有多于两个测量值变量的情况。它可提供输出表和相关矩阵，并显示应用于每种可能的测量值变量对的 CORREL（或 PEARSON）值。
与协方差一样，相关系数是描述两个测量值变量之间的离散程度的指标。与协方差的不同之处在于，相关系数是成比例的，因此它的值独立于这两种测量值变量的表示单位。（例如，如果两个测量值变量为重量和高度，如果重量单位从磅换算成千克，则相关系数的值不改变）。任何相关系数的值必须介于 -1 和 +1 之间。
可以使用相关分析工具来检验每对测量值变量，以便确定两个测量值变量的变化是否相关，即，一个变量的较大值是否与另一个变量的较大值相关联（正相关）；或者一个变量的较小值是否与另一个变量的较大值相关联（负相关）；还是两个变量中的值互不关联（相关系数近似于零）。
协方差
“相关”和“协方差”工具可在相同设置下使用，当您对一组个体进行观测而获得了 N 个不同的测量值变量。“相关”和“协方差”工具都可返回一个输出表和一个矩阵，分别表示每对测量值变量之间的相关系数和协方差。不同之处在于相关系数的取值在 -1 和 +1 之间，而协方差没有限定的取值范围。相关系数和协方差都是描述两个变量离散程度的指标。
“协方差”工具为每对测量值变量计算工作表函数 COVAR 的值。（当只有两个测量值变量，即 N=2 时，可直接使用函数 COVAR，而不是协方差工具）在协方差工具的输出表中的第 i 行、第 j 列的对角线上的输入值就是第 i 个测量值变量与其自身的协方差；这就是用工作表函数 VARP 计算得出的变量的总体方差。
详细操作步骤如下： 1、若为office2010则选择文件，点击选项打开，待加载项后找到一个“分析工具库”点击“转到”； 2、 若为office2003，则点击工具打开加载项； 3、使用“分析工具库”，点“确定”； 4、在“数据”菜单里面，找到“数据分析”； 5、点击选择开始分析，即可。
统计学意义（p值）ZT 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=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，的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著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≤被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果≥p>被认为是具有统计学意义，而≥p≥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。
计算过程如下：
为理解P值的计算过程，用Z表示检验的统计量，ZC表示根据样本数据计算得到的检验统计量值。
左侧检验 H0:μ≥μ0 vs H1:μ<μ0
P值是当μ=μ0时，检验统计量小于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值 = P(Z≤ZC|μ=μ0)
右侧检验 H0:μ≤μ0 vs H1:μ>μ0
P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值 = P(Z≥ZC|μ=μ0)
双侧检验 H0:μ=μ0 vs H1:μ≠μ0
P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值 = 2P(Z≥|ZC||μ=μ0)
X^2计算如下：
统计学的英文statistics最早源于现代拉丁文Statisticum Collegium（国会）、意大利文Statista（国民或政治家）以及德文Statistik，最早是由Gottfried Achenwall于1749年使用，代表对国家的资料进行分析的学问，也就是“研究国家的科学”。
十九世纪，统计学在广泛的数据以及资料中探究其意义，并且由John Sinclair引进到英语世界。
统计学是一门很古老的科学，一般认为其学理研究始于古希腊的亚里士多德时代，迄今已有两千三百多年的历史。
它起源于研究社会经济问题，在两千多年的发展过程中，统计学至少经历了“城邦政情”、“政治算数”和“统计分析科学”三个发展阶段。
所谓“数理统计”并非独立于统计学的新学科，确切地说，它是统计学在第三个发展阶段所形成的所有收集和分析数据的新方法的一个综合性名词。概率论是数理统计方法的理论基础，但是它不属于统计学的范畴，而是属于数学的范畴。
(1) P值是：1) 一种概率，一种在原假设为真的前提下出现观察样本以及更极端情况的概率。2) 拒绝原假设的最小显著性水平。3) 观察到的(实例的)显著性水平。4) 表示对原假设的支持程度，是用于确定是否应该拒绝原假设的另一种方法。(2) P值的计算：一般地，用X 表示检验的统计量，当H0为真时，可由样本数据计算出该统计量的值C，根据检验统计量X的具体分布，可求出P值。具体地说：左侧检验的P值为检验统计量X 小于样本统计值C 的概率，即：P = P{ X < C}右侧检验的P值为检验统计量X 大于样本统计值C 的概率：P = P{ X > C}双侧检验的P值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍：P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。计算出P值后，将给定的显著性水平α与P 值比较，就可作出检验的结论：如果α > P值，则在显著性水平α下拒绝原假设。如果α ≤ P值，则在显著性水平α下接受原假设。在实践中，当α = P值时，也即统计量的值C刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。整理自：樊冬梅，假设检验中的P值．郑州经济管理干部学院学报，2002；韩志霞，张玲，P值检验和假设检验。边疆经济与文化，2006中国航天工业医药，1999
P值是采用假设检验的方法来计算的。举个例子来说明：比较两个样本的均数有没有差别，采用反证法，首先建立假设检验，H0：假设两组没有差别，H1：假设两组有差别。通过假设两组没有差别计算出其没有差别的概率，一般取P＜作为临界值，若P＜则代表随机抽取的两组均数没有差别的概率小于，为小概率事件，此时拒绝H0，接受H1。P＞接受H0。但是P值的大小只能代表两者是否具有统计学差异，不能代表差异的大小。详细的计算方法要根据你采用的统计学方法具体计算，现在这步一般都采用统计软件SPSS、SAS等来完成。希望对你有所帮助。
P值的计算：一般地，用X 表示检验的统计量，当H0为真时，可由样本数据计算出该统计量的值C，根据检验统计量X的具体分布，可求出P值。具体地说：
左侧检验的P值为检验统计量X 小于样本统计值C 的概率，即：P = P{ X < C}
右侧检验的P值为检验统计量X 大于样本统计值C 的概率：P = P{ X > C}双侧检验的P值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍：P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。
若X服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。
计算出P值后，将给定的显著性水平α与P 值比较，就可作出检验的结论：
如果α > P值，则在显著性水平α下拒绝原假设。
如果α ≤ P值，则在显著性水平α下接受原假设。
在实践中，当α = P值时，也即统计量的值C刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。
扩展资料：
假设检验理论的具体做法是：
假定某一参数的取值。
选择一个检验统计量(例如z 统计量或Z 统计量) ，该统计量的分布在假定的参数取值为真时应该是完全已知的。
从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
如果P<，说明是较强的判定结果，拒绝假定的参数取值。
如果 如果P值>，说明结果更倾向于接受假定的参数取值。 可是，那个年代，由于硬件的问题，计算P值并非易事，人们就采用了统计量检验方法，也就是我们最初学的t值和t临界值比较的方法。 统计检验法是在检验之前确定显著性水平α，也就是说事先确定了拒绝域。但是，如果选中相同的a，所有检验结论的可靠性都一样，无法给出观测数据与原假设之间不一致程度的精确度量。 只要统计量落在拒绝域，假设的结果都是一样，即结果显著。但实际上，统计量落在拒绝域不同的地方，实际上的显著性有较大的差异。 因此，随着计算机的发展，P值的计算不再是个难题，使得P值变成最常用的统计指标之一。 参考资料来源：百度百科--概率 参考资料来源：百度百科--P值 P值是采用假设检验的方法来计算的。举个例子来说明：比较两个样本的均数有没有差别，采用反证法，首先建立假设检验，H0：假设两组没有差别，H1：假设两组有差别。通过假设两组没有差别计算出其没有差别的概率，一般取P＜作为临界值，若P＜则代表随机抽取的两组均数没有差别的概率小于，为小概率事件，此时拒绝H0，接受H1。P＞接受H0。但是P值的大小只能代表两者是否具有统计学差异，不能代表差异的大小。详细的计算方法要根据你采用的统计学方法具体计算，现在这步一般都采用统计软件SPSS、SAS等来完成。希望对你有所帮助。 放到spss中，定义两个变量，第一个变量叫做：group，用1代表实验组，用2代表对照组，每个组两个数字；第二个变量叫分娩方式，分别用1、2、3代表阴道分娩、阴道助产和剖宫产。然后用描述性统计方法中的交叉列联表计算就ok了！希望对你有帮助！ 你把各组30例原始数据拿来可以直接统计分析，你所给的数据不能分析。 统计中t值和p值的区别为： 1、t值，指的是T检验，主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。 2、P值，就是当原假设为真时，所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。 p值代表的是不接受原假设的最小的显著性水平，可以与选定的显著性水平直接比较。例如取5%的显著性水平，如果P值大于5%，就接受原假设，否则不接受原假设。这样不用计算t值，不用查表。 3、P值能直接跟显著性水平比较；而t值想要跟显著性水平比较，就得换算成P值，或者将显著性水平换算成t值。在相同自由度下，查t表所得t统计量值越大，其尾端概率P越小，两者是此消彼长的关系，但不是直线型负相关。 扩展资料： 1、T检验的适用条件： （1） 已知一个总体均数； （2）可得到一个样本均数及该样本标准差； （3） 样本来自正态或近似正态总体 2、P值数据解释： 参考资料：百度百科_P值百度百科_t检验 t指的是T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。 1、t值 T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。 T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的,并于1908年在Biometrika上公布 。 2、P值 P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。 P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。 扩展资料 实用举例 1、t检验可用于比较男女身高是否存在差别 为了进行独立样本t检验，需要一个自（分组）变量（如性别：男、女）与一个因变量（如身高测量值）。根据自变量的特定值，比较各组中因变量的均值。用t检验比较下列男、女儿童身高的均值 。 假设 H0：男平均身高 = 女平均身高 H1：男平均身高 ≠ 女平均身高 选用双侧检验：选用α=的统计显著水平 2、P值 从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。 如果P<，说明是较强的判定结果，拒绝假定的参数取值。 如果 如果P值>，说明结果更倾向于接受假定的参数取值。 参考资料来源：百度百科-t值 参考资料来源：百度百科-p值 如果是计算两组间机械化静脉炎、置管局部感染、导管阻塞、血栓形成、导管异位的差异：X^2 = , df = 4, p= 结论，试验组与对照组各病之间差异无统计学意义。 X=(X1+X2+...+Xn)/n就是用直接法求算术均数再平方；P=L+(n*x%-f{L})*i{x}/f{x}{}内为右下角标这下应该不难了~ 采用spss软件，单因素分组对照计算。 t值和P值都用来判断统计上是否显著的指标。在p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。Fisher的具体做法 假定某一参数的取值，选择一个检验统计量，在该统计量的分布在假定的参数取值为真时应该是完全已知的从研究总体中抽取一个随机样本计算检验统计量的值计算概率值或者说观测的显著水平即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。医学论文怎么算p值
医学论文的p值t值怎么算
医学论文x值和p值怎么算