医学论文非参数检验

医学检验研究的是人体复杂的各种生理和病理指标，更必须加强与临床相关科室的密合作才能得到成功。在建立合作关系时要注意解决的问题是；(1)选准临床迫切需要解决的课题，做好设计和规埘；(2)选好合作对象；(3)共同完善风险同负、利益共享的双赢机制。本刊期待着在新一届编委会的领导下，能有更多的紧密结合临床实际的优秀论文奉献给广大读者!

绝大多数的论文撰写,均需通过一定数量临床病例(或资料)的观察,研究事物间的相互关系,以探讨客观存在的新规律。如确定新诊断、新治疗等措施是否优于原沿用的方法,就需进行两种方法比较,这就涉及统计处理;统计设计又是整个课题研究设计中一个重要的组成部分。显然,经正确统计处理的结果可信度高,论文的质量也高。

医学论文中常用统计分析方法的合理选择目前，不少医学论文中的统计分析存在较多的问题。有报道,经两位专家审稿认为可以发表的稿件中,其统计学误用率为90%-95%。为帮助广大医务工作者提高统计分析水平，本文将介绍医学论文中常用统计分析方法的选择原则及应用过程中的注意事项。 检验t检验是英国统计学家 1908年根据t分布原理建立起来的一种假设检验方法，常用于计量资料中两个小样本均数的比较。理论上，t检验的应用条件是要求样本来自正态分布的总体，两样本均数比较时，还要求两总体方差相等。但在实际工作中，与上述条件略有偏离，只要其分布为单峰且近似正态分布，也可应用[2]。常用的t检验有如下三类：①单个样本t检验：用于推断样本均数代表的总体均数和已知总体均数有无显著性差别。当样本例数较少（n＜60）且总体标准差未知时，选用t检验；反之当样本例数较多或样本例数较少、总体标准差已知时，则可选用u检验 [3]。②配对样本t检验：适用于配对设计的两样本均数的比较，在选用时应注意两样本是否为配对设计资料。常用的配对设计资料主要有如下三种情况：两种同质受试对象分别接受两种不同的处理；同一受试对象或同一样本的两个部分，分别接受不同的处理；同一受试对象处理前后的结果比较。③两独立样本t检验：又称成组t检验，适用于完全随机设计的两样本均数的比较。与配对t检验不同的是，在进行两独立样本t检验之前，还必须对两组资料进行方差齐性检验。若为小样本且方差齐，则选用t检验；反之若方差不齐，则选用校正t检验（t’检验），或采用数据变换的方法（如取对数、开方、倒数等）使两组资料具有方差齐性后再进行t检验，或采用非参数检验[4]。此外，当两组样本例数较多（n1、n2均＞50）时，这时应用t检验的计算比较繁琐，可选用u检验[5]。 2.方差分析方差分析适用于两组以上计量资料均数的比较，其应用条件是各组资料取自正态分布的总体且各组资料具有方差齐性。因此，在应用方差分析之前，同样和成组t检验一样需要对各组资料进行正态性检验、方差齐性检验。常用的方差分析有如下几类：①完全随机设计的方差分析：主要用于推断完全随机设计的多个样本均数所代表的总体均数之间有无显著性差别。完全随机设计是将观察对象随机分为两组或多组，每组接受一种处理，形成两个或多个样本。②随机区组设计的方差分析：随机区组设计首先是将全部受试对象按某种或某些特性分为若干区组，然后区组内的每个研究对象接受不同的处理，通过这种设计，既可以推断处理因素又可以推断区组因素是否对试验效应产生作用。此外，由于这种设计还使每个区组内研究对象的水平尽可能地相近，减少了个体间差异对研究结果的影响，比成组设计更容易检验出处理因素间的差别。③析因设计的方差分析：将两个或两个以上处理因素的各种浓度水平进行排列组合、交叉分组的试验设计。它不仅可以检验每个因素各水平之间是否有差异，还可以检验各因素之间是否有交互作用，同时还可以找到处理因素的各种浓度水平之间的最佳组合。此外，还有正交设计、拉丁方设计等多种方差分析法，实验者在应用时可以参考相关的统计学著作。目前，某些医学论文中有这样的情况，就是用t 检验代替方差分析对实验数据进行统计学处理，这是不可取的。t 检验只适用于推断两个小样本均数之间有无显著性差别，而采用t 检验对多组均数进行两两比较，会增加犯I 型错误的概率，即可能把本来无差别的两个总体均数判为有差别，使结论的可信度降低[6]。对多个样本均数进行比较时，正确的方法是先进行方差分析，若检验统计量有显著性意义时，再进行多个样本均数的两两（多重）比较。3.卡方检验（χ2检验）χ2检验是一种用途比较广泛的假设检验方法，但是在医学论文中常用于分类计数资料的假设检验，即用于两个样本率、多个样本率、样本内部构成情况的比较，样本率与总体率的比较，某现象的实际分布与其理论分布的比较。但是当样本满足正态近似条件时，如样本例数n与样本率p满足条件np与n（1— p）均大于5，则可以计算假设检验统计量u值来进行判断。常用的χ2检验分为如下几类：①2×2表χ2检验：适用于两个样本率或构成比的比较，在应用时，当整个试验的样本例数n≥40且某个理论频数1≤T＜5时，需对χ2值进行连续性校正。因为T值太小，会导致χ2值增大，易出现假阳性结论。此外，若样本例数n＜40，或有某个T值＜1，此时即使采用校正公式计算的χ2值也有偏差，需要用2×2表χ2检验的确切概率检验法（Fisher确切检验法）。②配对资料χ2检验：适用于配对设计的两个样本率或构成比的比较，即通过单一样本的数据推断两种处理结果有无显著性差别。在应用时，如果甲处理结果为阳性而乙处理结果为阴性的样本例数n1与甲处理结果为阴性而乙处理结果为阳性的样本例数n2之和＜40，需要对计算的χ2值进行校正。③R×C表χ2检验：适用于多个样本率或构成比的比较。在R×C表χ2检验中，若检验统计量有显著性意义时，还需要对多个样本率或构成比进行两两比较，即分割R×C表，使之成为非独立的四格表，并对每两个率之间有无显著性差别作出结论。 2×2表资料在应用时可分为如下几种类型：横断面研究设计的2×2表资料、队列研究设计的2×2表资料、病例-对照研究设计的2×2表资料、配对研究设计的2×2表资料。研究者应注意不同类型的2×2表资料的统计分析方法略有差别，比如在分析队列研究设计的2×2表资料时，如果用χ2公式计算得到P＜，研究者则应再计算相对危险度（RR）并检验总体RR与1之间的差异是否具有统计学意义。此外，在进行R×C表χ2检验时，还有如下两个主要的注意事项：首先，T值最好不要＜5，若有1/5的T值＜5，χ2检验结论是不可靠的，解决的办法有三种：增大样本量；删去T值太小的行和列；将T值太小的行或列与性质相近的邻行或邻列的实际频数合并。其次，不同类型的R×C表资料选择的统计分析方法是不一样。①双向无序的R×C表资料：可以选用一般的χ2公式计算。②单向有序的R×C表资料：如果是原因变量为有序变量的单向有序R×C表资料，可以将其视为双向无序的R×C表资料而选用一般的χ2检验公式计算，但如果是结果变量为有序变量的单向有序R×C表资料，选用的统计分析方法有秩和检验、Radit分析和有序变量的logistic回归分析等。③双向有序且属性不同的R×C表资料：对于这类资料采用的统计分析方法不能一概而论，应根据研究者的分析目而合理选择。如果研究者只关心原因变量与结果变量之间的差异是否具有统计学意义时，此时，原因变量的有序性就显得无关紧要了，可将其视为结果变量为有序变量的单向有序R×C表资料进行分析。如果研究者希望考察原因变量与结果变量之间是否存在线性相关关系，此时需要选用处理定性资料的相关分析方法如Spearman秩相关分析方法等。如果两个有序变量之间的相关关系具有统计学意义，研究者希望进一步了解这两个有序变量之间的线性关系，此时宜选用线性趋势检验。如果研究者希望考察列联表中各行上的频数分布是否相同，此时宜选用一般的χ因此，对于适用参数检验的资料，最好还是用参数检验。秩和检验是最常用的非参数检验，它包括如下几类：①配对资料的符号秩和检验（Wilcoxon配对法）：是配对设计的非参数检验。当n≤25时，可通过秩和检验对实验资料进行分析；当n＞25时，样本例数超出T界值表的范围，可按近似正态分布用u检验对实验资料进行分析。②两样本比较的秩和检验（Wilcoxon Mann-Whitney检验）：适用于比较两样本分别代表的总体分布位置有无差异。如果样本甲的例数为n1，样本乙的例数为n2，且n1＜n2；当n1≤10、n2—n1≤10时，可通过两样本比较的秩和检验对实验资料进行分析；当n1、n2超出T界值表的范围时，同样可按近似正态分布用u检验对实验资料进行分析。③多个样本比较的秩和检验（Wilcoxon Kruskal-Wallis检验）：适用于比较各样本分别代表的总体的位置有无差别，它相当于单因素方差分析的非参数检验，计算方法主要有直接法和频数表法等。此外，在进行上述3类秩和检验（前两类秩和检验实际上已经被u检验替代）时，如果相同秩次较多，则需要对计算的检验统计量进行校正。公式计算。④双向有序且属性相同的R×C表资料：这类资料实际上就是配对设计2×2表资料的延伸，在分析这类资料时，实验者的目的主要是研究两种处理方法检测结果之间是否具有一致性，因此常用的统计分析方法为一致性检验或Kappa检验。4. 非参数检验非参数检验可不考虑总体的参数、分布而对总体的分布或分布位置进行检验。它通常适用于下述资料[2]：①总体分布为偏态或分布形式未知的计量资料(尤其样本例数n＜30时)；②等级资料；③个别数据偏大或数据的某一端无确定的数值；④各组离散程度相差悬殊，即各总体方差不齐。该方法具有适应性强等优点，但同时也损失了部分信息，使得检验效率降低。即当资料服从正态分布时，选用非参数检验法代替参数检验法会增大犯Ⅱ类错误的概率。

如何利用SPSS做非参数检验

非参数检验是一个相当宏大的命题。由于实际情况的复杂多变，因此非参数检验包括了许多的各种各样的检验方法。之前我们提过，参数检验的使用条件是被检验的样本总体服从正态分布，而非参数检验的使用条件自然就是总体不服从或不确定是否服从正态分布。（实际上，这里要特别说明一下，尽管非参数检验的使用条件更宽松，但是考虑到精确性，不是特殊要求的话，我们还是尽可能的使用均值检验。）

比较常见的单样本非参数检验包括游程检验和单样本K-S检验。

游程检验：

它通常用于检测两个不同的观测值出现的次序是否具有随机性。举个例子，假如我们想知道每天来门诊就诊的人是否生病的次序是否随机，那么我们就使用游程检验。我们记录下来个案依次是否生病，比如是为1，否为0。然后我们就有了一个由0和1构成的变量列，

我们选择分析——非参数检验——旧对话框——游程，在主面板的检验变量列表里选入我们的0,1变量列。选项卡里边选择描述性，其他默认。割点可以全选。

输出结果看p值就可以了（我真的不想再重复怎么看p值了）。

单样本K-S检验;

这个就比较重要了。这个检验的目的在于观测样本的分布。哦，想想也知道很重要。只要我们想做相关和回归，那我们就最好用K-S检验来检查一下样本的分布。毕竟pearson相关系数有效的一个重要条件就是样本服从正态分布。

我们选择分析——非参数检验——旧对话框——1样本K-S，在主对话框的检验变量列表里边选入我们想检验分布的变量（比如一群病号的血细胞数），选项卡里勾选描述性和四分位数，其他默认。在检验分布的下边有四个供勾选的框框，这个要注意一下，常规指的就是正态分布，相等则是指均匀分布，勾选你想检验的分布（一般是正态分布）。确定以后就可以看结果了。

描述性统计量表会给你一些基本指标，帮助你感受这些数据。K-S检验表的p值会告诉你样本是否服从指定的分布，如果是的话，表里边还有一些其他的指标可以参考。

单样本非参数检验已经结束了（怎么这么少？），下边我们说一下独立样本非参数检验。

两独立样本非参数检验：

打开菜单分析——非参数检验——旧对话框——2个独立样本，在主面板里边检验变量选入检验变量，分组变量选入分组变量，选项卡中选入描述性，四分位数，其他默认。在检验类型里边有四个供勾选的框框，我们一一学习。

Mann-whitney 检验：

就是大名鼎鼎的秩和检验。

这个检验利用样本观察值得秩来推断两样本所在总体的分布是否相同（不晓得什么是秩的回去翻一遍你们的高数课本）。这是一个最常用的检验。举例，假设我们知道一组患病的人和不患病的人的血细胞数，想检查是否具有差异，那么我们就使用秩和检验，我保证没举错例子，这个例子确实也可以用独立样本t检验来做（希望大家还记得什么叫独立样本t检验），当然也可以用秩和检验来做。

它会给出描述性统计量，秩表，检验统计量表。在最后的一个表里边我们通过p值判断差异是否显著。

Moses极端反应检验：

它适用于实验条件导致两个不同方向的极端反应情况（多用于医学，比如有的药物会导致一部分病人好转的同时也会导致一部分病人恶化）。

它通过比较实验组和观察组，会告诉你是否产生了极端反应。（很神奇是不是？）

两样本K-S检验：

这个检验用来判断两个样本的分布是否相同。也是看p值哈。

Wald wolfowit游程检验：

用来检验两样本是否来自相同的总体。

注意：K-S检验适用于数值变量资料或者有序分类资料。

多个独立样本非参数检验：

打开菜单分析——非参数检验——旧对话框——K 独立检验，在主面板的检验变量选入想检验的变量，分组变量选入分组变量。

检验类型有三种

K-W检验：

用来判断各样本分别代表的总体是否一致，（相当于单因素方差分析），适用于数值变量和有序分类变量。结果会给出秩，检验统计量。通过p值判断差异性。若想在进行两两比较，那就要用到上边介绍的秩和检验来进行比较了。

中位数：

适用于数值变量资料。用来检验样本代表的总体中位数是不是相等。这个用途还是比较广泛的。

Jonckheere-Terpstra检验：

这个检验用来处理完全随机的资料，比如研究随着年龄增加，学习成绩是否也增加？这种有序分组的变量就用这个检验来检验。（我真有点懒得介绍这么冷门的检验的冲动，不过为了完整还是写一下吧。）

两相关样本非参数检验：

打开两个关联样本检验主面板，检验对里边选择两个相关变量，检验类型有四种。

Wilcoxon：

它用来检验两个变量的分布是否有差异。比较常用。比如一种药物治疗前和治疗后是否有差别？就用这个检验。

符号检验和wilcoxon差不多，也是检查差值的。

Mcnemar检验：

上边两个都是数值型的连续性资料，这个检验则用于配对计数资料，将两组人进行配对，观察他们的某个指标是否有差异。

边际同质性检验是mcnemar检验的一般化和扩展，用于多分类配对计数资料。比如检验甲观察的分类结果和乙观察的分类结果是否有差异。（分好多类）

多个相关样本非参数检验：

打开多个相关样本检验主面板，选入检验变量，检验类型一共有三种。

Friedman检验：

用于检验多个相关样本是否来自同一总体，是wilcoxon的扩展。

KendallW检验：

检验样本的一致性的好坏（不考虑分布的形状，仅考虑分布是否一致）。

Cochran Q检验：

用于二分数据时，是mcnemar检验的延伸，可以比较多个二分变量的比例的差异是否显著。

非参数检验大概就是这些内容了。和参数检验一样，这些检验的操作操作并不复杂，结果也不难判断，学习的难点在于记住这些不同的检验方法的适用的不同范围。需要多做一些练习，才可以巩固掌握住非参数检验的内容。

以上是小编为大家分享的关于如何利用SPSS做非参数检验的相关内容，更多信息可以关注环球青藤分享更多干货