发布时间：
科普中国·科学百科：卡方检验
卡方检验是很常用的一种分析方法，什么情况下使用卡方检验？
如果你手上的数据是一种定类数据，比如性别（男、女）是否患病（是、否）。你还想要分析定类数据和定类数据之间的差异关系。
例如想要分析性别和是否抽烟之间的关系。这一句话里面包含两个词语，分别是：性别，是否抽烟。性别为X，是否抽烟为Y。性别为定类数据，是否抽烟也是定类数据，此时就可以使用卡方检验。
这篇文章分享分别使用两种常见统计分析工具 SPSS 和 SPSSAU 完成卡方检验。SPSS是目前常用的统计软件，SPSSAU是更简单的在线数据科学分析工具。
一、案例数据
想研究性别和是否抽烟之间有没有关系，男性抽烟的比例有没有更高等，通过抽样调查得到如下数据：
二、卡方检验怎么做？
1、SPSS操作步骤
（1）传入数据或输入数据
打开SPSS软件，上传如下图所示的数据格式文件，或者在SPSS软件中手动输入下图所示数据：
（2）数据加权处理
因为输入的数据是汇总格式，所以在进行卡方检验之前，我们需要先对数据加权处理，加权处理后，系统会将“人数”这一列的变量识别为频数，而不是一个数值。
数据加权的步骤如下：
在主页面点击【数据】-【加权个案】
弹出加权个案操作的对话框，选中【加权个案】
将【人数】变量拖入【频率变量】框中，点击【确定】。
这样就完成了数据加权处理，下一步可以做卡方检验了。
（3）卡方检验操作
点击【分析】-【描述统计】-【交叉表】
弹出交叉表操作对话框，按照下图的关系将三个变量放入对应的分析框中。
放好之后就是这个样子：
放好变量后，接着设置：点击【统计量】-在弹出的对话框中选中【卡方】，并选中名义栏中的【Phi和Gramer变量】-点击【继续】
此时回到交叉表对话框，点击【确定】得出分析结果。
（4）卡方检验结果
SPSS看输出的卡方检验结果，主要看卡方值和P值。
2、
以下介绍使用SPSSAU-在线SPSS分析工具两步快速完成卡方检验。
（1）上传数据
进入SPSSAU系统，将加权格式数据上传到SPSSAU系统中：
（2）卡方检验操作
点击实验/医学研究面板中的【卡方检验】-拖拽三个【分析变量】分别到对应分析框-【开始分析】即可。
（3）分析结果
SPSSAU输出卡方检验分析结果，主要关注两个值，卡方值和p值。
另外输出各种卡方检验统计量过程值和效应量指标。
SPSSAU所有分析结果表格均为论文要求标准三线表，可直接点击【复制】图标一键复制分析结果到word文档中使用，无需再自己调整表格格式~
SPSSAU提供智能分析建议，刚接触统计分析的小白可以借助分析建议完成分析结果解读。
SPSSAU还自动输出文字分析结果，供大家参考去撰写分析结果，可直接复制粘贴使用。
SPSSAU自动将结果表格数据可视化，大家可以根据需要选择各种常用图表：
①堆积柱形图
②柱形图
③堆积条形图
④条形图
如果不喜欢图形样式，还可以根据使用场景选择合适的样式：
总结： 可以看到，SPSS和SPSSAU两个统计分析工具卡方检验的结果是相同的，且使用SPSSAU更简单更智能更方便~
1、建立数据文件。对新手而言此步最关键。
打开软件，“新数据集”， 假如是一个两列三行的数据，在Excel中原始表可以是两列并立，共3行数字，而此时在SPSS中新数据集建成后则一般为单列6行数字。
在变量视图中设置变量为第一步，假如在Excel中是一个两列三行的数据，在Excel中两列题头分别为“不突出子宫”“突出子宫”，在Excel中三行分别为“粘连型”“植入型”“穿透型”，则在SPSS中需设置3个变量，第一变量名称填为“位置”，类型选“字符串”，测量选“名义”； 第二变量名称填为“类型”，类型选“字符串”，测量选“名义”； 第三变量名称填为“数值”，类型选“数值”，测量选“度量”；
（图1）
在数据视图中开始输入数据，在第一列位置下第1、2行分别输入“不突出”“突出”，第3、4行；5、6行同1、2行；在第二列类型下第1、2行输入“粘连型”，3、4行输入“ 植入型”，5、6行输入“ 穿透型”；在第三列数值下输入各类数据的具体值。
至此，数据集建立完毕。
2、单击主菜单“数据"-”加权个案“，打开加权个案对话框。从左边源变量选择“数值”作为权变量，将其选入“频率变量：”框中，单击”确定“按钮，执行加权命令。
加权后此行数值作为个数出现，如35表示有35例；而不加权则此行数值作为单一数值，如35cm之类。
3、单击主菜单中的“分析”-“描述统计”-“交叉表”，打开对话框。
将左边源对话框中的“位置”作为行变量调入“行：”下的矩形框；“类型”作为列变量调入“列：”下矩形框。
4、单击“交叉表”对话框中的“统计量”选项，选中“卡方”，单击“继续”，返回到“交叉表”对话框。
5、单击"单元格"选项，在计数下激活“期望值”，在百分比下激活“行”，单击“继续”，返回到“交叉表”对话框。
6、在“交叉表”对话框中，单击"确定"按钮，即可得输出结果。
7、卡方检验结果：主要看pearson卡方检验行，pearson卡方数值即为卡方值（如下的），渐近显著性（sig）值即为P值（如下的），小于时认为不同位置对不同类型的胎盘判断有显著的差别。
扩展资料：
SPSS（Statistical Product and Service Solutions），“统计产品与服务解决方案”软件。最初软件全称为“社会科学统计软件包”（SolutionsStatistical Package for the Social Sciences），但是随着SPSS产品服务领域的扩大和服务深度的增加，SPSS公司已于2000年正式将英文全称更改为“统计产品与服务解决方案”，这标志着SPSS的战略方向正在做出重大调整。
SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和Mac OS X等版本。
1984年SPSS总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+，开创了SPSS微机系列产品的开发方向，极大地扩充了它的应用范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。
参考资料：百度百科-spss
1、处理四格表数据时不考虑样本量和最小理论频数而直接采用卡方检验处理四格表数据是卡方检验最为常见的用途之一，其目的在于分析“构成比”或者“率”上的差异是否具有统计学意义。对于四格表数据，使用卡方检验的条件为样本量大于 40，且最小理论频数应大于 5。对于某些小样本的、或者指标阳性率较低的研究，总样本量可能小于 40，最小理论频数也可能小于 5，此时应该采用 Fisher 确切概率法进行分析。比如某研究需比较小细胞肺癌和非小细胞肺癌内某个基因的表达情况的差异是否有统计学意义，得出如下四格表：该研究的样本量仅为 30 个，且最小理论频数为（12×9）/30＝，所以应该采用 Fisher 确切概率法进行分析。实际上，从理论上讲，若要分析四格表数据中的构成比或者率之间的差异是否有统计学意义，Fisher 确切概率法的结果是最可靠的。若是使用软件对数据进行分析，不论样本量和最小理论频数，均可采用 Fisher 确切概率法。2、不考虑分析目的、设计类型而盲目套用卡方检验有的四格表资料本身是配对的，且研究的目的主要是回答“一致性”或者“不一致性”的问题，此时就不应该用卡方检验对数据进行分析。比如：某研究者发明了一种新的 HIV 检测法，并且用该法和免疫印迹法（检测 HIV 感染的“金标准”）同时检测了 100 份血清，得到如下四格表数据：该研究在设计上与表 1 中的研究最大的区别在于“配对”，即同一样本分别接受了新方法检测和免疫印迹法（金标准）的检测。研究者最关心的问题应该是“新方法和金标准之间的一致性”问题，若采用卡方检验进行分析，得出的结论是“免疫印迹法检测结果的频数分布在新方法阳性组和阴性组中是不同的”，这一结论显然并无多大专业价值。对于此类研究，可以采用两种方法进行统计，一是采用 Mcnemar χ2 检验公式计算两种方法不一致的部分是否具有统计学意义；二是采用 Kappa 检验分析两种结果之间的一致性。需要说明的是，此类研究中的一种方法必须是金标准，否则研究可能没有价值。以表 2 中的数据为例，若免疫印迹法并非检测 HIV 感染的金标准，两种方法的一致性即使好得一塌糊涂，也可能无济于事。因为一个显而易见的问题是：这两种方法可能都是错误的检测方法。比如：采用金标准对 100 份血清进行检测后，其中 90 例为阳性，而不论是新方法还是免疫印迹法，均仅仅检测出了 55 个阳性样本，漏检率显然太高。3、误用卡方检验处理等级资料等级资料的表示方法与分类资料相似，因此受“定式思维”的影响，部分同行“习惯性”地采用卡方检验对等级资料进行处理，这也是医学期刊上最常见的滥（乱）用卡方检验的行为。卡方检验回答的问题仅仅是“构成比”或者“率”上的差异是否具有统计学意义，而不能回答效应指标的强度高低问题。比如某研究比较了两类人群胰腺癌分期的分布状况，如下表所示：此类数据的一个显著特点是胰腺癌的分期（Ⅰ、Ⅱ、Ⅲ、Ⅳ期）是一个等级资料，研究者的研究目的是分析甲乙两群人胰腺癌的分期是否有差别，是一个强度“分期早晚”的问题，而不是“构成比”的差异。若用卡方检验处理此类数据，得出的结论就是“甲乙两类人群胰腺癌分期构成比上的差异是否具有统计学意义”，而无法明确“孰高孰低”的问题。以上述表格为例，卡方检验结果显示有统计学意义，但问题在于：根据表中数据，人群甲以Ⅰ期和Ⅳ期为主，人群乙以Ⅱ期和Ⅲ期为主，让人完全无法判断两类人群的疾病分期“孰早孰晚”的问题。处理此类数据的一般方法是将分期进行秩转换，然后以秩和检验进行统计分析，也可以直接采用 Riddit 分析进行统计。4、对于多组资料反复使用卡方检验进行比较又是研究者面对的数据可能有多行或者多列（R×C 资料），研究者需要逐一比较各组数据的差异是否有统计学意义。比如某研究者对不同血型的个体患乙型肝炎的情况进行了调查，得出如下数据：这是一个率的比较问题，研究目的主要在于分析各个血型的人群 HBV 感染的发病率是否相同。处理此类数据，一般是直接采用卡方检验从整体上分析各组人群率（构成比）上的差异是否具有统计学意义；若具有统计学意义，则根据研究目的进一步觉得是否进行组间的比较。以本研究为例，研究者可能还需要逐一比较各组 HBV 感染的发病率之间的差异是否具有统计学意义。处理此类数据时，最容易犯的一类错误就是将表格进行拆分成六个四格表反复采用卡方检验进行统计分析。实际上，这种错误的统计学方法类似于“反复使用 t 检验比较多组资料”，会增大Ⅰ类误差的概率。正确的做法应该是采用卡方分割法，通过改校正验水准的方式来进行两两比较。需要说明的是，在整体比较之后是否需要进行两两比较，如何进行两两比较在很大程度上取决于专业需要，或者说研究目的，特别是分组因素的“属性”是否相同。比如某研究欲分析了基因 A 在类风湿性关节炎中的表达情况（基因表达情况以阳性和阴性进行描述），除了健康对照外，研究者还设立了疾病对照组，包括系统性红斑狼疮和干燥综合症。
1、首先打开软件，在文件中找到想要进行处理的数据，如下图所示。
2、然后在上方的菜单栏中找到分析菜单栏，选择非参数检验，打开旧对话框，选择卡方。
3、接着在卡方检验对话框中，将左侧的变量移动至右侧想要检验的变量对话框中，如下图所示。
4、然后点击选项菜单，此时可以选择卡方检验的统计方法，还可以设置缺失值。
5、最后单击确定对SPSS的数据进行查看，在图表中可以看到检验次数和检验统计。
卡方检验是很常用的一种分析方法，什么情况下使用卡方检验？
如果你手上的数据是一种定类数据，比如性别（男、女）是否患病（是、否）。你还想要分析定类数据和定类数据之间的差异关系。
例如想要分析性别和是否抽烟之间的关系。这一句话里面包含两个词语，分别是：性别，是否抽烟。性别为X，是否抽烟为Y。性别为定类数据，是否抽烟也是定类数据，此时就可以使用卡方检验。
这篇文章分享分别使用两种常见统计分析工具 SPSS 和 SPSSAU 完成卡方检验。SPSS是目前常用的统计软件，SPSSAU是更简单的在线数据科学分析工具。
一、案例数据
想研究性别和是否抽烟之间有没有关系，男性抽烟的比例有没有更高等，通过抽样调查得到如下数据：
二、卡方检验怎么做？
1、SPSS操作步骤
（1）传入数据或输入数据
打开SPSS软件，上传如下图所示的数据格式文件，或者在SPSS软件中手动输入下图所示数据：
（2）数据加权处理
因为输入的数据是汇总格式，所以在进行卡方检验之前，我们需要先对数据加权处理，加权处理后，系统会将“人数”这一列的变量识别为频数，而不是一个数值。
数据加权的步骤如下：
在主页面点击【数据】-【加权个案】
弹出加权个案操作的对话框，选中【加权个案】
将【人数】变量拖入【频率变量】框中，点击【确定】。
这样就完成了数据加权处理，下一步可以做卡方检验了。
（3）卡方检验操作
点击【分析】-【描述统计】-【交叉表】
弹出交叉表操作对话框，按照下图的关系将三个变量放入对应的分析框中。
放好之后就是这个样子：
放好变量后，接着设置：点击【统计量】-在弹出的对话框中选中【卡方】，并选中名义栏中的【Phi和Gramer变量】-点击【继续】
此时回到交叉表对话框，点击【确定】得出分析结果。
（4）卡方检验结果
SPSS看输出的卡方检验结果，主要看卡方值和P值。
2、
以下介绍使用SPSSAU-在线SPSS分析工具两步快速完成卡方检验。
（1）上传数据
进入SPSSAU系统，将加权格式数据上传到SPSSAU系统中：
（2）卡方检验操作
点击实验/医学研究面板中的【卡方检验】-拖拽三个【分析变量】分别到对应分析框-【开始分析】即可。
（3）分析结果
SPSSAU输出卡方检验分析结果，主要关注两个值，卡方值和p值。
另外输出各种卡方检验统计量过程值和效应量指标。
SPSSAU所有分析结果表格均为论文要求标准三线表，可直接点击【复制】图标一键复制分析结果到word文档中使用，无需再自己调整表格格式~
SPSSAU提供智能分析建议，刚接触统计分析的小白可以借助分析建议完成分析结果解读。
SPSSAU还自动输出文字分析结果，供大家参考去撰写分析结果，可直接复制粘贴使用。
SPSSAU自动将结果表格数据可视化，大家可以根据需要选择各种常用图表：
①堆积柱形图
②柱形图
③堆积条形图
④条形图
如果不喜欢图形样式，还可以根据使用场景选择合适的样式：
总结： 可以看到，SPSS和SPSSAU两个统计分析工具卡方检验的结果是相同的，且使用SPSSAU更简单更智能更方便~
一、研究场景 卡方检验是一种假设检验的方法，它属于非参数检验的范畴，主要是用于分析定类数据与定类数据之间的关系情况。例如：分析性别与患病之间是否存在差异、性别与是吸烟之间是否存在差异性等。 二、SPSSAU操作 SPSSAU左侧仪表盘“实验/医学研究” → “卡方检验”； 三、卡方值的意义 卡方值表示观察值与理论值之间的偏离程度。计算这种偏离程度的基本思路如下。 设A代表某个类别的观察频数，E代表基于H0计算出的期望频数，A与E之差称为残差。 显然，残差可以表示某一个类别观察值和理论值的偏离程度，但如果将残差简单相加以表示各类别观察频数和期望频数的差别，则有一定的不足之处。因为残差有正有负，相加后会使彼此抵消，总和仍为0，为此可以将残差平方后求和 另一方面，残差大小是一个相对的概念，相对于期望频数是10时，期望频数为20的残差非常大，但相对于期望频数为1000是20就很小，考虑到这一点，人们又将残差平方除以期望频数再求和，以估计观察颍数与期望烦数的差别。 四、SPSSAU结果与指标解读 1.卡方检验分析结果其中A代表某个类别的观察频数，E代表基于H0计算出的期望频数，Ai为i水平的观察频数，Ei为i水平的期望频数，n为总频数，pi为i水平的期望频率。当n比较大时，χ2统计量近似服从k-1个自由度的卡方分布。 2.卡方检验统计量过程值3. 深入分析-效应量指标 4.多重比较结果 （1）第1次多重比较 （2）第2次多重比较 （3）第3次多重比较5. 趋势卡方检验 五、其他说明 1.卡方检验事后多重比较是什么意思？ 医学研究模块里面的卡方检验方法时，SPSSAU默认提供多重比较功能，且SPSSAU仅针对第1个Y进行，可通过更换Y的位置实现其它分析项的多重比较，X或Y的选项个数大于10时不进行多重比较。 多重比较时，SPSSAU默认提供Pearson卡方检验值，多重比较时，检验次数增多会增加一类错误的概率，建议使用校正显著性水平(Bonferroni校正)，比如如果显著性水平为，并且两两比较次数为3次，那么Bonferroni校正显著性水平为次=，即p值需要与进行对比，而不是。 2. 卡方检验出现多个卡方值和p值的原理？ 如果卡方检验出现多个卡方值和p值，其原理和详细操作步骤说明如下， SPSSAU多个卡方值和P值处理 总结 如果研究中卡方检验表格出现多个卡方值和 p值，建议先理解表格里面是进行了卡方检验，还是卡方拟合优度检验，然后按 SPSSAU多个卡方值和P值处理 说明操作进行，最后在EXCEL表格中进行汇总整理表格即可。以上就是卡方分析的指标解读。卡方检验无论是在问卷调研或是医学实验中，都是非常实用高效的方法，没有展开说明的部分建议大家查阅SPSSAU帮助手册进行学习。 更多干货请前往 SPSSAU 官网查看。
一、类型 SPSSAU中卡方检验包括卡方检验、卡方拟合优度、配对卡方、分层卡方。 对于上述四种卡方检验区别如下： 二、卡方检验分析步骤 1.研究目的 卡方检验是研究实际观测值与理论值之间的偏离程度，实际观测值与理论值之间的偏离程度决定卡方值的大小，卡方值越大，偏差越大；卡方值越小，偏差越小，越趋于符合，若两个值完全相等时，卡方值就为0，表明实际观测值与理论值完全符合。 例如：例如研究人员想知道两组学生对于手机品牌的偏好差异情况、不同减肥方式对于减肥帮助情况等，可以使用 卡方检验 。 2.数据格式 SPSSAU可支持两类数据格式，一种是常规格式（非加权格式），另外一种是加权数据格式。 （1）常规格式上图为常规格式（即非加权格式），一行代表一个样本，一列代表一个属性，将全部的原始数据信息列出即可。 （2）加权格式在医学/实验研究时，很多时候只有汇总数据，即带加权项的数据，比如上图中X有2种情况，Y有3个情况，一种有2*3=6种组合，数据信息只有6种组别的汇总项（即加权项），分别是40，10，20，30，20，50；相当于总共有170个样本，如果是使用常规格式（即非加权格式），此时应该有170行；但加权格式则只需要6行即可表示，如上图。 3.上传数据 操作步骤 操作步骤分为两步如下说明： Step1：点击实验/医学研究，模块下的卡方检验Step2：将左侧数据拖拽到右侧分析框后，点击开始分析如下图提示 ：若有加权项拖拽到右下方即可5.分析 （1）卡方检验分析结果从分析结果中可以看出p< (2)差异性说明 从上表可以看出：不同减肥方式样本对于胆固醇水平共1项呈现出显著性(p<)，意味着不同减肥方式样本对于胆固醇水平共1项均呈现出差异性。 (3)交叉图减肥方式和胆固醇水平的交叉图更直观看到三种减肥方式与胆固醇水平的关系。 （4）统计量指标说明（5）深入指标卡方检验时有多种指标(SPSSAU提供五类)可表示效应量，可结合数据类型及交叉表格类型综合选择； 第一：如果是2*2表格，建议使用Phi指标； 第二：如果是3*3,或4*4表格，建议使用列联系数； 第三：如果是n*n(n>4)表格，建议使用校正列联系数； 第四：如果是m*n(m不等于n)表格，建议使用Cramer V指标； 第五：如果X或Y中有定序数据，建议使用Lambda指标； 效应量值越大说明差异幅度越大，通常情况下效应量小、中、大的区分临界点分别是: 和。 （6）多重比较 多重比较，对于此案例简单来说若减肥方式与胆固醇之间存在差异，具体存在哪种差异，需要进行比较。 从上表中可以看到减肥方式与胆固醇之间比较次数为3次。 （7）趋势卡方 6.总结 从上述分析中可知，三类减肥方式与胆固醇水平之间呈现出显著性差异（χ²= = < ），具体通过对比百分比差异可知，药物减肥中有的样本为胆固醇较低，明显高于饮食（）和锻炼（）时胆固醇较低的比例，因而说明药物对于减肥的帮助较高，明显高于饮食和锻炼这两种方式。 SPSSAU卡方检验帮助手册 三、配对卡方分析步骤 1.研究目的 如果研究配对数据的差异性，例如：对于待诊患者进行两种方法诊断，通过研究判断两种诊断方法是否有差异性，那么可以使用 配对卡方 。 2.数据格式 配对数据一般是在实验时使用，而且配对数据的特点为：行数一定完全相等并且只有两列。配对数据一般是在实验时使用，而且配对数据的特点为：行数一定完全相等并且只有两列。如果研究数据的行数不相等，那可能不是配对数据 3.上传数据操作步骤 操作步骤分为两步如下说明： Step1：点击实验/医学研究，模块下的卡方检验 Step2：将左侧数据拖拽到右侧分析框后，点击开始分析如下图 提示 ：若有加权项拖拽到右下方即可 5.分析 （1）分析结果 （2）差异性说明 从上表可知，利用配对卡方检验去研究A方法三种结果和B方法三种结果之间的配对差异关系，本次配对对比类别数量大于2(即配对多分类),因而使用Bowker检验进行研究。配对数据之间呈现水平的显著性(chi=<)，意味着配对数据间有着明显的差异性 （3）两种方法结果对比（4）对比图对比图中可以看到不同项A方法与B方法的百分比。 6.总结 配对对比类别数量为2(即配对四表格),使用McNemar检验进行研究，配对对比类别数量大于2(即配对多分类),使用Bowker检验进行研究。 SPSSAU配对卡方帮助手册 四、卡方拟合优度检验分析步骤 1.研究目的 如果想研究实际与预期比例之间的比较，比如研究实际性别比例情况，是否与预期性别比例表现一致，则要使用 卡方拟合优度检验 。（ PS ：卡方拟合优度检验只针对类别数据） 2.数据格式 （1）普通格式（非加权） 上图为常规格式（即非加权格式），一行代表一个样本，一列代表一个属性，将全部的原始数据信息列出即可。 （2）加权格式 很多时候只有汇总数据，即带加权项的数据，比如上图图中研究项有3种情况，每种情况时样本量分别是40，10，20；相当于总共有70个样本，如果是使用常规格式（即非加权格式），此时应该有70行；但加权格式则只需要3行即可表示。 3.上传数据 操作步骤5.分析 （1）分析结果 此表为卡方拟合优度检验结果，其中P值为。 （2）差异性分析从上表可以看出：性别全部均没有呈现显著性（p>)，意味着接受原假设(原假设：实际分布比例与预期比例一致)，即数据分布与预期一致。 （3）图表上表可以观察出不同性别的实际频数与期望频数的差异，可以看出数据分布与预期大概一致。 6.总结 卡方拟合优度检验研究定类数据的频数分布是否与期望频数保持一致；第一：期望频数默认为完全均匀，可自行设置期望频数；第二：分析是否呈现出显著性(p值小于或)；第三：如果呈现出显著性(p<)，说明实际频数分布与期望分布具有显著差异；第四：对分析进行总结。 SPSSAU卡方拟合优度检验帮助手册 五、分层卡方分析步骤 1.研究目的 若想考虑另一个干扰因素分层项，比如是否吸烟与是否生病的关系时，将性别纳入考虑范畴，则要使用 分层卡方 。 2.数据格式 加权格式如下图： 针对分层卡方，SPSSAU支持2*2*k结构，即X和Y均为2个类别，k表示分层项的类别数量。 3.上传数据 操作步骤 5.分析 （1）汇总表格 （2）比值比OR值估计 上表格中展示合并OR值或Ln(OR值)，及其95%置信区间。 （3）比值比齐性检验 从上表可知：Breslow-Day比值比齐性检验并没有呈现出显著性（chi= >），意味着各层之间关系同质，分层因素之间不存在混杂作用。 （4）条件独立性检验 （5）差异性说明 从上表可知：Cochran–Mantel–Haenszel条件独立性检验呈现出显著性（chi= <），意味着在考虑干扰因素之后，是否吸烟和是否感冒之间呈现出显著性差异。 6.总结 通常情况下，首先查看‘比值比齐性检验’，如果其呈现出显著性（p 值小于），则说明具有混杂因素，即需要考虑分层项，即分别查看不同分层项下的数据结果。反之如果没有通过‘比值比齐性检验’，即说明没有混杂因素不需要考虑分层项，报告整体的结果即可（包括卡方检验，以及OR值）。 Cochran–Mantel–Haenszel条件独立性用于研究考虑混杂因素（分层项）后，X与Y之间是否还存在着差异关系，相对意义较小。 SPSSAU分层卡方帮助手册 六、其它 Q1：什么样的数据格式才适合？ 如果数据已经进行过初步统计，比如下图中的数据，胆固醇较高并且使用药物减肥的数量为2，胆固醇较低使用锻炼减肥方式的数量为3。这种属于已经统计好的数据，如果希望对此类数据进行卡方检验，则需要对数据格式进行‘改造’。 Q2：多选题卡方检验怎么做？ 多选题与其他题项的交叉分析也可采用卡方检验，只是SPSSAU将多选题单独设计为一个方法，方法上依然是卡方检验。 以上就是卡方检验分析步骤汇总。卡方检验是非常实用高效的方法，其它指标说明等请登录官网查看。 更多内容登录SPSSAU官网查看： SPSSAU：差异性分析，方法选择 SPSSAU：几类卡方检验的对比说明 SPSSAU：卡方检验总结 SPSSAU官网
如何用excel做卡方检验 5分 卡方（χ2）常用以检验两个或两个以上样本率或构成比之间差别的显著性分析，用以说明两类属性现象之间是否存在一定的关系。 卡方检验常采用四格表，如图 5-4-18所示，比较的A、B两组资料分别用a、b、c、d表示，a为A组的阳性例数，b为A组的阴性例数，c为B组的阳性例数，d为B组的阴性例数。 用EXCEL进行卡方检验时，资料的输入方式按实际值和理论值分别输入四个单元格，如图5-4-18所示。 （1）比较的A、B两组资料分别用a、b、c、d表示。a=52，为A组的阳性例数；b=19，为A组的阴性例数；c=39，为B组的阳性例数；d=3，为B组的阴性例数。根据公式计算理论值T11、T12、、T21和T22。将实际值和理论值分别输入如图所示的四个单元格（图5-4-19）。 选择表的一空白单元格，存放概率p值的计算结果，将滑鼠器移至工具栏的“ fx”处，滑鼠器左键点选工具栏的“ fx”快捷键，开启函式选择框。（2）在函式选择框的“函式分类”栏选择“统计”项，然后在“函式名”栏内选择“CHITEST”函式，用滑鼠器点选“确定”按钮，开启资料输入框（图5-4-20）。 （3）在“Actual_range”项的输入框内输入实际值（a、b、c、d）的起始单元格和结束单元格的行列号，在“Expected_range”项的输偿框内输入理论值（T11、T12、T21、T22）的起始单元格和结束单元格的行列号，起始单元格和结束单元格的行列号之间用“:”分隔（图5-4-20）。 在资料输入完毕后，p值的计算结果立即显示。用滑鼠器点选“确定”按钮，观察计算结果。 (4)在表存放概率 p 值的空白单元格处显示 p 值的计算结果。在“编辑”栏处显示χ2检验的函式“CHITEST”及两组比较资料的起始与结束单元格的行列号（图 5-4-21）。 如何进行卡方检验 卡方检验 你的资料应该用交叉列联表做，资料录入格式为：建立两个变数，变数1是组别， 正常对照组用资料1表示，病例组用资料2表示；变数2是位点，A用1表示，C用2表示， 还有一个变数3是权重，例数 资料录入完成后，点 *** yze-descriptive statistics-crosstabs-把变数1选到rows里 ，把变数2选到column里，然后点选下面的statistics，开启对话方块，勾选chi-squares， 然后点continue，再点ok，出来结果的第3个表就是你要的卡方检验，第一行第一个数是卡方值， 后面是自由度，然后是P值。 卡方检验具体怎么计算 卡方检验计算： 假设有两个分类变数X和Y，它们的值域分别为{x1, x2}和{y1, y2}，其样本频数列联表为： 若要推断的论述为H1：“X与Y有关系”，可以利用独立性检验来考察两个变数是否有关系，并且能较精确地给出这种判断的可靠程度。 具体的做法是，由表中的资料算出随机变数K^2的值（即K的平方） K^2 = n (ad - bc) ^ 2 / [(a+b)(c+d)(a+c)(b+d)]其中n=a+b+c+d为样本容量 K^2的值越大，说明“X与Y有关系”成立的可能性越大。 当表中资料a，b，c，d都不小于5时，可以查阅下表来确定结论“X与Y有关系”的可信程度： 例如，当“X与Y有关系”的K^2变数的值为，根据表格，因为≤<，所以“X与Y有关系”成立的概率为，即。 四格表资料检验： 四格表资料的卡方检验用于进行两个率或两个构成比的比较。 1. 专用公式： 若四格表资料四个格子的频数分别为a，b，c，d，则四格表资料卡方检验的卡方值=n(ad-bc)^2/(a+b)(c+d)(a+c)(b+d)， 自由度v=（行数-1）（列数-1） 2. 应用条件： 要求样本含量应大于40且每个格子中的理论频数不应小于5。当样本含量大于40但有1= 行×列表资料检验： 行×列表资料的卡方检验用于多个率或多个构成比的比较。 1. 专用公式： r行c列表资料卡方检验的卡方值=n[(A11/n1n1+A12/n1n2+...+Arc/nrnc)-1] 2. 应用条件： 要求每个格子中的理论频数T均大于5或1 列联表资料检验： 同一组物件，观察每一个个体对两种分类方法的表现，结果构成双向交叉排列的统计表就是列联表。 1. R*C 列联表的卡方检验： R*C 列联表的卡方检验用于R*C列联表的相关分析，卡方值的计算和检验过程与行×列表资料的卡方检验相同。 2. 2*2列联表的卡方检验： 2*2列联表的卡方检验又称配对记数资料或配对四格表资料的卡方检验，根据卡方值计算公式的不同，可以达到不同的目的。当用一般四格表的卡方检验计算时，卡方值=n（ad-bc)^2/[(a+b)(c+d)(a+c)(b+d)]，此时用于进行配对四格表的相关分析，如考察两种检验方法的结果有无关系；当卡方值=（|b-c|-1）2/(b+c)时，此时卡方检验用来进行四格表的差异检验，如考察两种检验方法的检出率有无差别。 列联表卡方检验应用中的注意事项同R*C表的卡方检验相同。 卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，卡方值越大，越不符合，偏差越小，卡方值就越小，越趋于符合，若量值完全相等时，卡方值就为0，表明理论值完全符合。 ... 手工卡方检验怎么做 你的资料不适合使用卡方检验。卡方检验用于2个变数都属于分类变数（例如性别、婚姻状态等，属于定性资料）时的资料分析，例如要分析性别与色盲之间（色盲一般分为“有”和“无”2个分类，属于定性变数）的关系，就可以使用卡方检验。你的资料一个变数是组别（分为对照组和A租），而另一个变数（你的测定值）基本上可以说是定量资料（定量变数，例如身高、体重等都属于这一类），这种情况首先考虑使用成组t检验。 卡方检验研究的方法 1、处理四格表资料时不考虑样本量和最小理论频数而直接采用卡方检验 处理四格表资料是卡方检验最为常见的用途之一，其目的在于分析“构成比”或者“率”上的差异是否具有统计学意义。对于四格表资料，使用卡方检验的条件为样本量大于 40，且最小理论频数应大于 5。对于某些小样本的、或者指标阳性率较低的研究，总样本量可能小于 40，最小理论频数也可能小于 5，此时应该采用 Fisher 确切概率法进行分析。 比如某研究需比较小细胞肺癌和非小细胞肺癌内某个基因的表达情况的差异是否有统计学意义，得出如下四格表： 该研究的样本量仅为 30 个，且最小理论频数为（12×9）/30＝，所以应该采用 Fisher 确切概率法进行分析。实际上，从理论上讲，若要分析四格表资料中的构成比或者率之间的差异是否有统计学意义，Fisher 确切概率法的结果是最可靠的。若是使用软体对资料进行分析，不论样本量和最小理论频数，均可采用 Fisher 确切概率法。 2、不考虑分析目的、设计型别而盲目套用卡方检验 有的四格表资料本身是配对的，且研究的目的主要是回答“一致性”或者“不一致性”的问题，此时就不应该用卡方检验对资料进行分析。比如：某研究者发明了一种新的 HIV 检测法，并且用该法和免疫印迹法（检测 HIV 感染的“金标准”）同时检测了 100 份血清，得到如下四格表资料： 该研究在设计上与表 1 中的研究最大的区别在于“配对”，即同一样本分别接受了新方法检测和免疫印迹法（金标准）的检测。研究者最关心的问题应该是“新方法和金标准之间的一致性”问题，若采用卡方检验进行分析，得出的结论是“免疫印迹法检测结果的频数分布在新方法阳性组和阴性组中是不同的”，这一结论显然并无多大专业价值。 对于此类研究，可以采用两种方法进行统计，一是采用 Memar χ2 检验公式计算两种方法不一致的部分是否具有统计学意义；二是采用 Kappa 检验分析两种结果之间的一致性。 需要说明的是，此类研究中的一种方法必须是金标准，否则研究可能没有价值。以表 2 中的资料为例，若免疫印迹法并非检测 HIV 感染的金标准，两种方法的一致性即使好得一塌糊涂，也可能无济于事。 因为一个显而易见的问题是：这两种方法可能都是错误的检测方法。比如：采用金标准对 100 份血清进行检测后，其中 90 例为阳性，而不论是新方法还是免疫印迹法，均仅仅检测出了 55 个阳性样本，漏检率显然太高。 3、误用卡方检验处理等级资料 等级资料的表示方法与分类资料相似，因此受“定式思维”的影响，部分同行“习惯性”地采用卡方检验对等级资料进行处理，这也是医学期刊上最常见的滥（乱）用卡方检验的行为。卡方检验回答的问题仅仅是“构成比”或者“率”上的差异是否具有统计学意义，而不能回答效应指标的强度高低问题。比如某研究比较了两类人群胰腺癌分期的分布状况，如下表所示： 此类资料的一个显著特点是胰腺癌的分期（Ⅰ、Ⅱ、Ⅲ、Ⅳ期）是一个等级资料，研究者的研究目的是分析甲乙两群人胰腺癌的分期是否有差别，是一个强度“分期早晚”的问题，而不是“构成比”的差异。若用卡方检验处理此类资料，得出的结论就是“甲乙两类人群胰腺癌分期构成比上的差异是否具有统计学意义”，而无法明确“孰高孰低”的问题。 以上述表格为例，卡方检验结果显示有统计学意义，但问题在于：根据表中资料，人群甲以Ⅰ期和Ⅳ期为主，人群乙以Ⅱ期和Ⅲ期为主，让人完全无法判断两类人群的疾病分期“孰早孰晚”的问题。 处理此类资料的...... 下面两组资料需要做卡方检验，怎么做呀 卡方检验 你的资料应该用交叉列联表做，资料录入格式为：建立两个变数，变数1是组别， 正常对照组用资料1表示，病例组用资料2表示；变数2是疗效等分类变数，用1表示分类属性1，用2表示分类属性2， 还有一个变数3是权重，例数 资料录入完成后，先加权频数后点 *** yze-descriptive statistics-crosstabs-把变数1选到rows里 ，把变数2选到column里，然后点选下面的statistics，开启对话方块，勾选chi-squares， 然后点continue，再点ok，出来结果的第3个表就是你要的卡方检验，第一行第一个数是卡方值， 后面是自由度，然后是P值。 如何用spss 做卡方检验 按以下弧式录入资料： 分组 是否发病 人数 1 1 26 1 2 24 2 1 29 2 2 21 将变数“人数”Weight Cases Analyze->Descriptive Statistics->Crosstabs：将分组放入“行”，将是否发病放入“列”，“统计Statistics”选项框内选择“Chi-square”，确定执行，OK。祝你好运！ 怎样使用spss进行卡方检验和T检验 卡方检验在 分析栏第二个描述性分析的列联分析里 T检验分为独立样本和配对样本T检验 都在分析栏的均值检验里 不知道你的顺序是不是和我的的一样 你看看 两个数如何进行卡方检验？ 10分 表不是已经给了自由度df=2吗？ df=(m-1)*(n-1),也就是行数-1，列数-1 提供SAS程式： data gt; do a=1 to 2; do b=1 to 3; input [email protected]@; output; end; end; cards; 261 48 68 86 384 56 ; proc freq; weight x; tables a*b/chisq; run; 得出卡方值= ，分布有差异。 ------------------------------------------------------- Chi-Square2 <.0001 Likelihood Ratio Chi-Square2 <.0001 Mantel-Haenszel Chi-Square1 <.0001 Phi Coefficient Contingency Coefficient Cramer's V -------------------------------------------------- SPSS结果也是类似的 注：卡方计算是有条件的，比如总数大于40，否则只能用fisher精确概率法 -------------------------- 表中说的是单项比较，乍一看貌似很荒唐，因为卡方最少也是四格表，光光2个数字是不能做卡方检验的 你仔细看看那个备注，看看 到底是哪个跟哪个在比，我猜测估计是放弃与不放弃，但是算了下又不对。 看来一时半刻也帮不了你，原作者这里没有交代清楚，文献发表上市通不过的。 用SPSS怎样做简单四个表的卡方检验 如果已经是四格表样子的资料，按以下格式录入资料 行变数 列变数 人数 1 1 A 1 2 B 2 1 C 2 2 D 1、将人数变数加权： Data--Weight Cases.. Weight cases by 人数变数 count点选钮使之进入Frequence Variable，OK 2、卡方检验： *** yze--descriptive--crosstabs，将行变数放到行，将列变数放到列 statistics按钮 勾选chi-square（卡方检验），勾选phi and cramer's V（衡量互动分析中两个变数关系强度的指标），continue cells按钮 勾选observed（各单元格的观测次数），勾选row（行单元格的百分比），continue ok
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。
卡方检验试用条件1.随机样本数据； 2.卡方检验的理论频数不能太小. 两个独立样本比较可以分以下3种情况： 1.所有的理论数T≥5并且总样本量n≥40,用Pearson卡方进行检验. 2.如果理论数T＜5但T≥1,并且n≥40,用连续性校正的卡方进行检验. 3.如果有理论数T＜1或n＜40,则用Fisher’s检验. 上述是适用于四格表.R×C表卡方检验应用条件： ×C表中理论数小于5的格子不能超过1/5； 2.不能有小于1的理论数.我的实验中也不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现.统计专业研究生工作室为您服务，需要专业数据分析可以找我
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 统计资料的显著性检验(significant test)方法的选择是医学论文中常常遇见的问题，退稿原因中常有显著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，选择何种显著性检验，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，差异显著性检验方法的选裕�诜合其应用条件下，一般可按表3进行选择。 显著性检验应用时的主要注意事项：(1)率值或均值在进行显著性检验前，应注意样本的代表性和可比性。(2)检验结果接近显著性界限时：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，差异显著性，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，要进一步进行显著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、 增刊显著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 常用显著性检验方法的选择统计资料比较类型 显著性检验 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
医学论文统计学方法应用的错误解析论文
摘 要： 统计学方法应用正确与否直接关系到医学科研结果的可信度和有效性，在研究设计时的错误应用会否决整个科研研究方案，基于错误统计学方法上产生的结果会浪费科研人员的时间和精力。编审人员应该高度重视医学论文的统计学方法应用，提高单篇文献的质量和学术水平。
关键词： 统计学方法；医学论文；解析
一、引 言
医学由于其研究的复杂性和系统性，常需要应用严谨的统计学方法，由于有些作者对医学科研的统计学理论和方法的应用缺乏深刻了解，在医学论文中错误应用统计学方法的现象时有发生。统计学方法应用的错误直接导致统计结果的错误。例如统计学图表、统计学指标、统计学的显著性检验等。因此，正确应用统计学方法，并将所获得的结果进行正确的描述有助于单篇论著的质量提高，现将医学论文中统计学方法应用及其常见结果的错误解析如下。
二、医学论文统计学方法应用概况
医学论文的摘要是全文的高度浓缩[1]，主要由目的、方法、结果、结论组成。一般要求要写明主要的统计学方法、统计学研究结果和P值。一篇医学论文的质量往往通过摘要的统计学结果部分就能判断。统计学方法的选择和结果的表达直接影响单篇论著的科研水平。
(一)材料与方法部分
正文中，材料与方法部分必须对统计学方法的选择、应用、统计学显著性的设定进行明确说明。通过对统计学方法的描述，读者应该清楚论著的统计学设计思路。材料部分要清楚说明样本或病例的来源、入组和排除标准、样本量大小、研究组和对照组的设定条件、回顾性或者前瞻性研究、调查或者实验性研究、其他与研究有关的一般资料情况，其目的是表明统计学方法应用的合理性和可靠性，他人作相关研究时具备可重复性。方法部分应详细叙述研究组和对照组的不同处理过程、观察的具体指标、采用的测量技术，要具备可比较性和科学性，
方法部分还要专门介绍统计分析方法及其采用的统计软件。不同的数据处理要采用不同的方法，必须清楚的说明计数或者计量资料、两组或者多组比较、不同处理因素的关联性研究。常用的有两组间计量资料的t检验，多组间计量资料的F检验，计数资料的卡方检验，不同因素之间的相关分析和回归分析。有些遗传学研究方法还有专门的统计学方法，要在这里简要说明并给出参考文献，还要简单叙述统计方法的原理。统计学软件要清楚的说明软件的名称和版本号，如基于家系资料研究的版本。
(二)论文结果部分
论文结果部分要显示应用统计学方法得到的统计量[2]，所采用的统计学指标较多时，往往分开叙述。分组比较多时还要借助统计图表来准确表达统计结果。对于数据的精确度，除了与测量仪器的精密程度有关外，还与样本本身的均数有关，所得值的单位一般采用紧邻均数除以三为原则。均数和标准差的有效位数要和原始数据一致。标准差或标准误差有时需要增加一个位数，百分比一般保留一个小数。在统计软件中，分析结果往往精确度比较高，一般要采用四舍五入的方法使其靠近实验的实际情况，否则还会降低论文的可信度和可读性。
结果部分的统计表采用统一的“三线”表，表题中要注明均数、标准差等数据类型。表格中的数值要按照行和列进行顺序放置，要求整齐美观，不能出现错行现象。要明确标注观察的例数，得到的检验统计量。统计图可以直观的表达研究结果，如回归和相关分析的散点图可以显示个体值的散布情况。曲线图表达个体均值在不同组别随时间变化的情况或者不同条件下重复测量的结果。误差条图由均数加减标准误绘出，描述的是67%的置信区间，不是95%，提倡在误差条图采用95%的置信区间。
关于统计量，一般采用均数与标准差两个指标，均数不宜单独使用。使用均数的时候要明确变异指标标准差或者精确性指标标准误。关于百分比，分母的确定必须要符合逻辑，过小的样本会导致分母过小而出现百分比过大的情况。百分率的比较要写清两者中不同的变化，可以采用卡方检验。
1.假设检验的结果中，常见只写P值的情况，有时候会误导读者，也会隐藏计算失误的情况，因此写出具体的统计值，如F值、t值，可以增强可信度。对于率、相关系数、均数这类描述统计量，要清楚写明进行过统计学检验并将结果列出。P值一般取与作为检验显著性，对于结果的计算要求具体的P值，如P=或P=。
2.在对论文进行讨论时，作为统计学方法产生的结果往往要作为作者的主要观点支持其科学假设，对统计结果的正确解释至关重要。P值很大表明两组间没有差别属于大概率事件，P值很小表明两组间没有差别的概率很小。当P<；，表明差异具有统计学意义。P值与观察的样本量的大小有关联，当样本量小的时候，数据之间的差别即使很大，P值也可能很大；当样本量大时，数据之间的差别即使很小，P值也可能显示有显著性差异。相关系数统计学意义的显著性也与相关系数的大小没有绝对的关联，有统计学意义的样本相关系数可能很小。因此，有统计学差异的描述并不一定意味着两组间差别很大，错判的危险性很大，显著性的检验为定性的结果，结合统计量大小方可判断是否具有专业意义。
变量间虚假的相关关系与变量随时间变化而变化相关，统计学意义的关联并不表示变量间一定存在因果关系。因果关系的确定要根据专业知识和采用的'研究方法的不同来考量。使用回归方程进行分析，当两变量间具有显著性关系，但是从自变量推测因变量仍然不会很精确。相关或回归系数不能预测推测结果的精确程度，而只是预测一个可信区间。诊断性检验应用于人群发病率很低的疾病，灵敏度、特异度的高低对于明确疾病诊断并不能很肯定。“假阳性率”与“假阴性率”根据实际的需要不同要求并不一致，在疾病患病率很低时，出现假阳性也是正常的，要确诊疾病必须要与临床症状体征相结合。因此，这两个率的计算方法必须交待清楚。
三、医学论文统计学方法应用的常见错误分析
(一)“材料与方法”中的统计学方法应用的常见错误
“材料与方法”中统计学方法常见的问题主要为：对样本的选择或者研究对象的来源和分组描述很少或者过于简单。例如，临床入组病例分组只采用简单的随机分组，未描述随机分组的方法，未描述是否双盲双模拟，未设置空白对照组，分组后对性别、年龄、文化程度的描述未进行统计学检验，对于特殊的统计学方法没有详细交代；动物实验分组的随机化原则描述过于简单，没有具体说清完全随机、配对或分层随机分组等；统计分析方法没有任何说明采用的分析软件，有的只说明采用的分析软件而不交代在软件中采用的统计方法；没有说明原因的情况下出现样本量过于小等情况。
(二)“结果”统计学方法应用的常见错误
1.应用正确的统计学方法出现的结果表达并不一定正确。例如前文所述数据的精确度要求。医学论文常见错误中包括均数、标准差、标准误等统计学指标与原始数据应保留的小数位数不同；对于率、例数、比值、比值比、相对危险度等统计学指标保留的小数点位数过多；罕见疾病的发病率、患病率、现患率等指标没有选择好基数，导致结果没有整数位；相关系数、回归系数等指标保留的小数位数过多或者过少；常用的一些检验统计量，如F值、t值保留的位数不符合要求。
2.对统计学指标进行分析和计算时，一般采用计数资料和计量资料进行区分。计量资料常用三线表，在近似服从正态分布的前提下采用均数、标准差进行说明，如果不符合正态分布时，可以采用加对数或其他的处理方式使其近似正态分布，否则只能采用中位数和四分位数间距等指标进行描述。医学论文中常见未对数据进行正态分布检验的计算，影响统计结果的真实性和可信度。对于率、构成比等常用的计数资料指标，常见样本量过小的问题，采用率进行描述会影响统计结果的可靠性，采用绝对数进行说明会显得客观一些。还有一些文献将构成比误用为率，也是不可取的。
3.在判断临床疗效之一指标时，两组平均疗效有差别并不意味着两组的每一个个体都有效或无效，必须通过计算有效率进行计算。如比较某药物治疗糖尿病的疗效，服药一周后，研究组和对照组的对血糖降低值分别为 ± 和 ± ( P = 1) 。按空腹血糖值低于的疗效判定有效率，研究组和对照组的有效率分别为和 ，尽管平均疗效相差较多，但也要注意到该药物对部分患者无效()。对假设检验结果的统计学分析结果，P 值的表达提倡报告精确P值，如P = 或P = 等。目前的统计学分析软件均可自动计算精确的P 值。例如常用的SAS，SPSS等，只要提供原始数据，就可以计算出t值、F值和相应的自由度，并可获得精确的P值。
四、小 结
提高医学论文中统计学方法的使用质量是编辑部值得重视的一项长期而又艰巨的工作[3]，医学论文中统计方法应用和统计结果的表达正确与否，不仅体现了论文的科学性和严谨性，而且对于提高期刊整体的学术质量，促进医学科学的发展和传播也有着重要作用[4]。
参考文献：
[1] 李敬文,吕相征,薛爱华.医学期刊评论性文章摘要的添加对期刊被引频次的影响[J].编辑学报,2011(23).
[2] 陈长生.生物医学论文中统计结果的表达及解释[J].细胞与分子免疫学杂志,2008(24).
[3] 潘明志.新时期复合型医学科技期刊编辑应具备的素质和能力[J].中国科技期刊研究,2011 (22).
[4] 张春军,董凯.网络信息时代加强医学期刊编辑的信息素养[J].牡丹江医学院学报,2011(32).
卡方检验是很常用的一种分析方法，什么情况下使用卡方检验？
如果你手上的数据是一种定类数据，比如性别（男、女）是否患病（是、否）。你还想要分析定类数据和定类数据之间的差异关系。
例如想要分析性别和是否抽烟之间的关系。这一句话里面包含两个词语，分别是：性别，是否抽烟。性别为X，是否抽烟为Y。性别为定类数据，是否抽烟也是定类数据，此时就可以使用卡方检验。
这篇文章分享分别使用两种常见统计分析工具 SPSS 和 SPSSAU 完成卡方检验。SPSS是目前常用的统计软件，SPSSAU是更简单的在线数据科学分析工具。
一、案例数据
想研究性别和是否抽烟之间有没有关系，男性抽烟的比例有没有更高等，通过抽样调查得到如下数据：
二、卡方检验怎么做？
1、SPSS操作步骤
（1）传入数据或输入数据
打开SPSS软件，上传如下图所示的数据格式文件，或者在SPSS软件中手动输入下图所示数据：
（2）数据加权处理
因为输入的数据是汇总格式，所以在进行卡方检验之前，我们需要先对数据加权处理，加权处理后，系统会将“人数”这一列的变量识别为频数，而不是一个数值。
数据加权的步骤如下：
在主页面点击【数据】-【加权个案】
弹出加权个案操作的对话框，选中【加权个案】
将【人数】变量拖入【频率变量】框中，点击【确定】。
这样就完成了数据加权处理，下一步可以做卡方检验了。
（3）卡方检验操作
点击【分析】-【描述统计】-【交叉表】
弹出交叉表操作对话框，按照下图的关系将三个变量放入对应的分析框中。
放好之后就是这个样子：
放好变量后，接着设置：点击【统计量】-在弹出的对话框中选中【卡方】，并选中名义栏中的【Phi和Gramer变量】-点击【继续】
此时回到交叉表对话框，点击【确定】得出分析结果。
（4）卡方检验结果
SPSS看输出的卡方检验结果，主要看卡方值和P值。
2、
以下介绍使用SPSSAU-在线SPSS分析工具两步快速完成卡方检验。
（1）上传数据
进入SPSSAU系统，将加权格式数据上传到SPSSAU系统中：
（2）卡方检验操作
点击实验/医学研究面板中的【卡方检验】-拖拽三个【分析变量】分别到对应分析框-【开始分析】即可。
（3）分析结果
SPSSAU输出卡方检验分析结果，主要关注两个值，卡方值和p值。
另外输出各种卡方检验统计量过程值和效应量指标。
SPSSAU所有分析结果表格均为论文要求标准三线表，可直接点击【复制】图标一键复制分析结果到word文档中使用，无需再自己调整表格格式~
SPSSAU提供智能分析建议，刚接触统计分析的小白可以借助分析建议完成分析结果解读。
SPSSAU还自动输出文字分析结果，供大家参考去撰写分析结果，可直接复制粘贴使用。
SPSSAU自动将结果表格数据可视化，大家可以根据需要选择各种常用图表：
①堆积柱形图
②柱形图
③堆积条形图
④条形图
如果不喜欢图形样式，还可以根据使用场景选择合适的样式：
总结： 可以看到，SPSS和SPSSAU两个统计分析工具卡方检验的结果是相同的，且使用SPSSAU更简单更智能更方便~
问题一：卡方检验具体怎么计算 卡方检验计算： 假设有两个分类变量X和Y，它们的值域分别为{x1, x2}和{y1, y2}，其样本频数列联表为： 若要推断的论述为H1：“X与Y有关系”，可以利用独立性检验来考察两个变量是否有关系，并且能较精确地给出这种判断的可靠程度。 具体的做法是，由表中的数据算出随机变量K^2的值（即K的平方） K^2 = n (ad - bc) ^ 2 / [(a+b)(c+d)(a+c)(b+d)]其中n=a+b+c+d为样本容量 K^2的值越大，说明“X与Y有关系”成立的可能性越大。 当表中数据a，b，c，d都不小于5时，可以查阅下表来确定结论“X与Y有关系”的可信程度： 例如，当“X与Y有关系”的K^2变量的值为，根据表格，因为≤> 问题二：卡方检验怎么算 20分 卡方检验 你的数据应该用交叉列联表做，数据录入格式为：建立两个变量，变量1是组别， 正常对照组用数据1表示，病例组用数据2表示；变量2是疗效等分类变量，用1表示分类属性1，用2表示分类属性2， 还有一个变量3是权重，例数 数据录入完成后，先加权频数后点 *** yze-descriptive statistics-crosstabs-把变量1选到rows里 ，把变量2选到column里，然后点击下面的statistics，打开对话框，勾选chi-squares， 然后点continue，再点ok，出来结果的第3个表就是你要的卡方检验，第一行第一个数是卡方值， 后面是自由度，然后是P值。 问题三：请问卡方检验中理论频数怎么算？ 拿你的数据为例，理论频数T11=82*100/200=41； T12=128*100/200=64 以此类推 下面是适用于四格表应用条件： 1)随机样本数据。两个独立样本比较可以分以下3种情况： (1)所有的理论频数T≥5并且总样本量n≥40，用卡方进行检验。 (2)如果理论数T＜5但T≥1，并且n≥40，用连续性校正的卡方进行检验。 (3)如果有理论数T＜1或n＜40，则用Fisher’s检验。 手打请采纳 问题四：请问这样的卡方检验是怎么算的？ 卡方检验 你的数据应该用交叉列联表做，数据录入格式为：建立两个变量，变量1是组别， 正常对照组用数据1表示，病例组用数据2表示；变量2是疗效等分类变量，用1表示分类属性1，用2表示分类属性2， 还有一个变量3是权重 问题五：卡方检验中的t代表什么，如何计算 卡方偿验是用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。 T为理论数。T计算公式BRC＝nRnc／N，BRC为第R行C列格子的理论数，nR为第R行的合计数，nC为第C列的合计数。 其他： t检验有单样本t检验，配对t检验和两样本t检验。 单样本t检验：是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。 配对t检验：是采用配对设计方法观察以下几种情形： 1，两个同质受试对象分别接受两种不同的处理； 2,同一受试对象接受两种不同的处理； 3，同一受试对象处理前后。 问题六：卡方检验求计算答案 卡方检验求计算答案 这里应该找不到答案 你可以问问老师或者同学 尽量自己做吧 不会了让同学给你讲讲，这样才对你的学习有帮助，答案只能解决一时。 问题七：spss统计学 如下图中卡方检验每组的x2值和P值是怎么计算得到的 这是论文的写作思路里涉及的，每行就相当于是每个组的数据而已，也就是分析了下 每个组的男女性别是否有显著差异。通常我们看到只有一个卡方 那是因为你把所有数据汇总到一个组里面分析不同性别的差异。 举个例子，一个学校有很多班级，你可以只分析一个卡方值 来看下这个学校的男女是否有差异，也可以分每个班级分析一个卡方值 ，看每个班级的性别是否都不存在差异。 问题八：卡方检验中卡方值代表什么,意义上什么 四格表资料的卡方检验 四格表资料的卡方检验用于进行两个率或两个构成比的比较。 1. 专用公式： 若四格表资料四个格子的频数分别为a，b，c，d，则四格表资料卡方检验的卡方值=（ad-bc）2*n/(a+b)(c+d)(a+c)(b+d)， 自由度v=（行数-1）（列数-1） 2. 应用条件： 要求样本含量应大于40且每个格子中的理论频数不应小于5。当样本含量大于40但理论频数有小于5的情况时卡方值需要校正，当样本含量小于40时只能用确切概率法计算概率。 行X列表资料的卡方检验 行X列表资料的卡方检验用于多个率或多个构成比的比较。 1. 专用公式： r行c列表资料卡方检验的卡方值=n[(A11/n1n1+A12/n1n2+...+Arc/nrnc)-1] 2. 应用条件： 要求每个格子中的理论频数T均大于5或1 问题九：如何用excel做卡方检验 5分 卡方（χ2）常用以检验两个或两个以上样本率或构成比之间差别的显著性分析，用以说明两类属性现象之间是否存在一定的关系。 卡方检验常采用四格表，如图 5-4-18所示，比较的A、B两组数据分别用a、b、c、d表示，a为A组的阳性例数，b为A组的阴性例数，c为B组的阳性例数，d为B组的阴性例数。 用EXCEL进行卡方检验时，数据的输入方式按实际值和理论值分别输入四个单元格，如图5-4-18所示。 （1）比较的A、B两组数据分别用a、b、c、d表示。a=52，为A组的阳性例数；b=19，为A组的阴性例数；c=39，为B组的阳性例数；d=3，为B组的阴性例数。根据公式计算理论值T11、T12、、T21和T22。将实际值和理论值分别输入如图所示的四个单元格（图5-4-19）。 选择表的一空白单元格，存放概率p值的计算结果，将鼠标器移至工具栏的“ fx”处，鼠标器左键点击工具栏的“ fx”快捷键，打开函数选择框。 （2）在函数选择框的“函数分类”栏选择“统计”项，然后在“函数名”栏内选择“CHITEST”函数，用鼠标器点击“确定”按钮，打开数据输入框（图5-4-20）。 （3）在“Actual_range”项的输入框内输入实际值（a、b、c、d）的起始单元格和结束单元格的行列号，在“Expected_range”项的输偿框内输入理论值（T11、T12、T21、T22）的起始单元格和结束单元格的行列号，起始单元格和结束单元格的行列号之间用“:”分隔（图5-4-20）。 在数据输入完毕后，p值的计算结果立即显示。用鼠标器点击“确定”按钮，观察计算结果。 (4)在表存放概率 p 值的空白单元格处显示 p 值的计算结果。在“编辑”栏处显示χ2检验的函数“CHITEST”及两组比较数据的起始与结束单元格的行列号（图 5-4-21）。
很多期刊论文中会有下图这样的表格，可以看出是对定类数据做了卡方检验，但很多刚接触统计分析的人会疑惑为什么会一张表中有这么多卡方值和P值？而自己做的卡方检验怎么只得到了一个卡方值和P值?
像上图这样的表格，其中之所以有多个卡方值和P值，通常有两种情况，一种是因为做了多次卡方检验，所以得到了多个卡方值和P值，另外一种是做了多次卡方拟合优度检验，得到了多个卡方值和P值。
这里分享用SPSSAU为数据分析工具来实现有多个卡方值和对应P值的表格。
情况一：做了多次卡方检验后整合
SPSSAU进行卡方检验：
得出分析结果：
整理一下这个结果可以得到论文中常展示的表格。
处理后的数据：
情况二、做了卡方拟合优度检验后整理
（1）数据格式可以为加权格式，上传到SPSSAU：
（2）分别对每一个年级的不同性别进行卡方拟合优度检验。
第一步：使用SPSSAU筛选样本功能对【年级】变量进行样本筛选，选出1年级的样本。
第二步：对筛选出的1年级的数据做卡方拟合优度检验，步骤如下：
（3）得出分析结果：
接着重复上述操作，对2、3、4、5、6、7、8年级的性别变量分别做卡方拟合优度检验，得到对应8个卡方值和对应P值，
结果分别如下：
2年级：
3年级：
4年级：
5年级：
6年级：
7年级：
8年级：
将上面8个表格结果在Excel中整理后即可得到一个有多个卡方值的表格。
卡方检验计算方法：
（1）提出原假设：
H0：总体X的分布函数为F(x).
如果总体分布为离散型，则假设具体为
H0：总体X的分布律为P{X=xi}=pi， i=1，2，...
（2）将总体X的取值范围分成k个互不相交的小区间A1，A2，A3，…，Ak，如可取
A1=（a0，a1]，A2=(a1，a2]，...，Ak=(ak-1,ak)，
其中a0可取-∞，ak可取+∞，区间的划分视具体情况而定，但要使每个小区间所含的样本值个数不小于5，而区间个数k不要太大也不要太小。
（3）把落入第i个小区间的Ai的样本值的个数记作fi，成为组频数（真实值），所有组频数之和f1+f2+...+fk等于样本容量n。
（4）当H0为真时，根据所假设的总体理论分布，可算出总体X的值落入第i 个小区间Ai的概率pi，于是，npi就是落入第i个小区间Ai的样本值的理论频数（理论值）。
（5）当H0为真时，n次试验中样本值落入第i个小区间Ai的频率fi/n与概率pi应很接近，当H0不真时，则fi/n与pi相差很大。基于这种思想，皮尔逊引进如下检验统计量
，在0假设成立的情况下服从自由度为k-1的卡方分布。
扩展资料
卡方检验是用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。
基本原理：
卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，卡方值越大，越不符合；卡方值越小，偏差越小，越趋于符合，若两个值完全相等时，卡方值就为0，表明理论值完全符合。
注意：卡方检验针对分类变量。
参考资料：百度百科-卡方检验