利用spss对三组方法差异性比较？ 如何用spss进行多组数据间的差异性比较？
\u600e\u4e48\u7528spss\u5206\u6790\u4e09\u7ec4\u6570\u636e\u7684\u5dee\u5f02\u662f\u5426\u663e\u8457\uff1f1\u3001\u65b9\u5dee\u5206\u6790\u524d\u63d0\uff1a\u4e0d\u540c\u6c34\u5e73\u4e0b\uff0c\u5404\u603b\u4f53\u5747\u503c\u670d\u4ece\u65b9\u5dee\u76f8\u540c\u7684\u6b63\u6001\u5206\u5e03\u3002
2\u3001\u65b9\u5dee\u9f50\u6027\u68c0\u9a8c\uff1a\u91c7\u7528\u65b9\u5dee\u540c\u8d28\u6027\u68c0\u9a8c\u65b9\u6cd5\uff08Homogeneity of variance\uff09\uff0c\u5728spss\u4e2d\u6253\u5f00\u4f60\u8981\u5904\u7406\u7684\u6570\u636e\uff0c\u5728\u83dc\u5355\u680f\u4e0a\u6267\u884c\uff1aanalyse-compare means--one-wayanova\uff0c\u6253\u5f00\u5355\u56e0\u7d20\u65b9\u5dee\u5206\u6790\u5bf9\u8bdd\u6846 \u5728\u8fd9\u4e2a\u5bf9\u8bdd\u6846\u4e2d\uff0c\u5c06\u56e0\u53d8\u91cf\u653e\u5230dependent list\u4e2d\uff0c\u5c06\u81ea\u53d8\u91cf\u653e\u5230factor\u4e2d\uff0c\u70b9\u51fbpost hoc\uff0c\u9009\u62e9snk\u548clsd\uff0c\u8fd4\u56de\u786e\u8ba4ok\u3002
SPSS\u662f\u4e00\u4e2a\u5e94\u7528\u975e\u5e38\u5e7f\u6cdb\u7684\u7edf\u8ba1\u5206\u6790\u8f6f\u4ef6\uff0c\u5b83\u5df2\u670940\u4f59\u5e74\u7684\u6210\u957f\u5386\u53f2\uff0c\u5df2\u7ecf\u6210\u4e3a\u5168\u7403\u4e13\u4e1a\u7edf\u8ba1\u5206\u6790\u8f6f\u4ef6\u7684\u4f7c\u4f7c\u8005\u3002\u5bf9\u4e8e\u7edf\u8ba1\u884c\u4e1a\u7684\u4ece\u4e1a\u4eba\u5458\u6765\u8bf4\uff0c\u5b66\u4f1aSPSS\u662f\u5176\u5fc5\u5907\u7684\u57fa\u672c\u6280\u80fd\u4e4b\u4e00\u3002\u672c\u4e66\u5c06\u5e26\u9886\u8bfb\u8005\u8fdb\u5165SPSS\uff0c\u8ba9SPSS\u5e2e\u52a9\u8bfb\u8005\u8f7b\u677e\u5b8c\u6210\u7edf\u8ba1\u5206\u6790\u5de5\u4f5c\u3002
\u6bd4\u5982:
A\u7ec4:4.5 5.6 7.9 5.2\uff1bB\u7ec4:4.6 5.4 6.4 6.2\uff1b\u600e\u6837\u6570\u636e\u5f55\u5165\u5e76\u4e14\u5177\u4f53\u64cd\u4f5c\u6b65\u9aa4\uff1f
\u6570\u636e\u6587\u4ef6\u662f:x\u548cgroup\uff0c8\u4e2a\u4e2a\u6848\uff1b
x\u7684\u53d6\u503c\u4e3a4.5 5.6 7.9 5.2 4.6 5.4 6.4 6.2\uff1b
group\u7684\u53d6\u503c\u4e3a 1=A\u7ec4\uff0c2=B\u7ec4\u3002
\u64cd\u4f5c:\u83dc\u5355\u9009\u62e9\uff1b
Analyze\uff1bCompare Means\uff1bIndependent-Samples T Test...\u628ax\u653e\u5165Test Variable(s)\u680f\u4e2d\uff0c\u628agroup\u653e\u5165Grouping Variable\uff0c\u5355\u51fbDefine Groups...\uff0c\u5206\u522b\u8f93\u51651\uff0c2\uff0c\u5355\u51fbContinue\u6309\u94ae\u8fd4\u56de\uff0c\u5355\u51fbOK\u6309\u94ae\u8fd0\u884c\u3002\u5f97t=0.178\uff0cP=0.865>0.05\uff0c2\u7ec4\u6570\u636e\u95f4\u65e0\u5dee\u5f02\u3002
三组数据可以考虑方差分析，方差分析就是通过检验各总体的均值是否相等来判断分类型自变量（定类变量）对数据型因变量（定量变量）是否有显著影响。方差分析一般分为单因素方差分析、双因素方差分析、三因素方差分析以及多因素方差分析。如下说明：
如果进行多因素方差分析一般是主效应显著后才会进一步查看事后多重比较，对于交互作用显著的模型才会更深一步研究简单效应分析。
背景简单说明：研究性别和学历对产品的满意度是否有显著影响。
双因素方差分析数据格式
无论是搜集到的数据是什么格式，一般在分析前都需要整理成正确的数据格式，才可以进行分析，那么双因素方差分析的数据格式正确的应该是怎样的呢？接下来进行说明：
无论是哪一类型的方差分析，其实目的都是研究X对Y的差异关系，所以数据格式有些类似，1个X均占用1列，1个Y也占用1列，如果有协变量那么1个协变量占用1列。举例说明如上图。
SPSSAU操作：
将分析项拖拽到右侧分析框中，勾选‘二阶效应’以及‘简单效应’选项，选择‘事后多重比较’点击‘开始分析
补充说明：
关于事后多重比较应该选择哪种方法？三种方差差异如下：
该例子选择Bonferonni校正，三种方法比较Bonferonni校正更保守些，所以当比较次数不多时该方法比较好，但是比较次数较多时（比如大于10）尽量不使用该方法。当然如果研究者选择其它比较方法只要合适也是可以的。
双因素方差分析流程：
从双因素方差分析结果中可以看出，‘性别’、‘学历’的p值均小于0.05，所以说明性别和学历对产品满意度均具有显著性差异，并且主效应存在，具体差异可以分析事后多重比较，并且进一步查看‘二阶效应’，从上表可以看出‘性别*学历’此项p值小于0.05，说明该项对因变量具有显著性差异说明，交互作用显著即存在二阶效应。因而可以进一步分析简单效应。
针对性别之间的比较可以得到t值=-1.279，p值大于0.05，所以不存在显著性差异。接下来研究学历的事后多重比较。
从分析结果可以得到，‘本科和本科以下’以及‘本科以上和本科以下’的p值均小于0.05具有显著性差异，也说明本科学历和本科以下学历之间比较对产品满意度是有明显的差别的。本科以上学历和本科以下学历之间比较对产品满意度也是有明显的差别的。
1、问题与数据
某医生拟探讨是否可以通过改善生活方式，如增强体育锻炼、减小体重及改善饮食习惯等，降低患者的胆固醇浓度。
现该医生招募了32位高胆固醇、生活习惯差的受试者，并将其分成3组。其中一组给予降胆固醇药物，一组给予饮食干预，另一组给予运动干预。经过6个月的试验后，该医生重新测量受试者的胆固醇浓度，分为高和正常两类。
该医生收集了受试者接受的干预方法（intervention）和试验结束时胆固醇的风险程度（risk_level）等变量信息，并按照分类汇总整理出频数（freq）变量，数据如下：
注：本研究将胆固醇浓度分为“高”和“正常”两类，只是为了分析方便，并不代表临床诊断结果
2、对问题的分析
为更好地介绍Fisher精确检验（2×C）分析方法，并说明其与卡方检验（2×C）的区别，本章节仍使用卡方检验（2×C）的例子，但对数据模型进行了调整，使其更符合Fisher精确检验（2×C）的要求。
卡方检验(2×C)的教程详见：SPSS：多个样本率的卡方检验及两两比较
进行Fisher精确检验（2×C）也需要满足5项假设：
假设1：观测变量是二分类变量，如本研究中试验结束时胆固醇的风险程度变量是二分类变量。
假设2：存在多个分组（>2个），如本研究有3个不同的干预组。
假设3：具有相互独立的观测值，如本研究中各位受试者的信息都是独立的，不会相互干扰。
假设4：研究设计必须满足：
(a) 样本具有代表性，如本研究在高胆固醇、生活习惯差的人群中招募32位受试者；
(b) 目的分组，可以是前瞻性的，也可以是回顾性的，如本研究中将受试者分成3组，分别给予降胆固醇药物、饮食和运动干预。
假设5：样本量较小，即存在预测频数小于5的情况。
经分析，本研究数据符合假设1-4，那么应该如何检验假设5，并进行Fisher精确检验（2×C）呢？
3、思维导图
4、SPSS操作
4.1 数据加权（在使用整合数据的情况下）
在进行正式操作之前，我们需要先对数据加权，如下：
(1) 在主页面点击Data→Weight Cases
弹出下图
(2) 点击Weight cases by，激活Frequency Variable窗口
(3) 将freq变量放入Frequency Variable栏
(4) 点击OK
4.2 检验假设5
数据加权之后，我们要判断研究数据是否满足样本量要求，如下：
(1) 在主页面点击Analyze→Descriptive Statistics→Crosstabs
弹出下图
(2) 将变量risk_level和intervention分别放入Row(s)栏和Column(s)栏
(3) 点击Statistics，弹出下图
(4) 点击Chi-square
(5) 点击Continue→Cells
(6) 点击Counts栏中的Expected选项
(7) 点击Continue→OK
经上述操作，SPSS输出预期频数结果如下：
该表显示，本研究最小的预测频数是4.2，小于5，满足假设5。
Chi-Square Tests表格也对该结果做出提示，如下标注部分：
即在本研究中，存在小于5的预测频数，不能进行卡方检验（2×C），需进行Fisher精确检验（2×C）。
4.3 Fisher精确检验（2×C）的SPSS操作
(1) 在主页面点击Analyze→Descriptive Statistics→Crosstabs
弹出下图
(2) 点击Exact，弹出下图
(3) 点击Exact栏，激活Time limit per test，并填写数字“5”
(4) 点击Continue→Statistics，弹出下图
(5) 点击Chi-square
(6) 点击Continue→Cells
(7) 点击Percentage栏中的Column选项
(8) 点击Continue→OK
4.4 组间比较
Fisher精确检验（2×C）需要逐对筛选变量，再进行比较。我们仅以药物和饮食干预两组的组间比较为例，SPSS操作如下：
选择变量
两两比较
加小咖个人微信（xys2016ykf），拉你进统计讨论群和诸多小伙伴一起交流。
使用电脑进入医咖会官网：http://www.mediecogroup.com/，搜索类似问题及答案，或者直接提问！
直接点击左下角“阅读原文”，提出你的难题！
(1) 在主页面点击Data→Select Cases
弹出下图
(2) 在Select栏中点击If condition is satisfied
(3) 点击if，弹出下图
(4) 在右上栏中输入“intervention = 1 | intervention = 2”
(5) 点击Continue→OK，弹出下图
(1) 在主页面点击Analyze→Descriptive Statistics→Crosstabs
弹出下图
(2) 将变量risk_level和intervention分别放入Row(s)栏和Column(s)栏
(3) 点击Exact，弹出下图
(4) 点击Exact栏，激活Time limit per test，并填写数字“5”
(5) 点击Continue→Statistics
(6) 点击Chi-square
(7) 点击Continue→Cells
(8) 点击Percentage栏中的Column选项
(9) 点击Continue→OK
5、结果解释
5.1 统计描述
在进行Fisher精确检验（2×C）的结果分析之前，我们需要先对研究数据有个基本的了解。SPSS输出结果如下：
该表提示，本研究共有32位受试者，根据干预方式均分为3组。在试验结束时，药物干预组的12位受试者中有2位胆固醇浓度高，饮食干预组的11位受试者中有7位胆固醇浓度高，而运动干预组的9位受试者中有6位胆固醇浓度高。
由此可见，药物干预比饮食或运动干预的疗效更好。同时，该表也提示，药物干预组的12位受试者中有10位胆固醇浓度下降，饮食干预组的11位受试者中有4位胆固醇浓度下降，而运动干预组的9位受试者中只有3位胆固醇浓度下降，如下标注部分：
但由于各组样本量不同，频数会误导人们对数据的理解。因此，我们推荐使用频率来分析结果，如下标注部分：
该表提示，药物干预组的12位受试者中83.3%胆固醇浓度下降，饮食干预组的11位受试者中36.4%胆固醇浓度下降，而运动干预组的9位受试者中只有33.3%胆固醇浓度下降，提示药物干预比饮食和运动干预更有效。但是这种直接的数据比较可能受到抽样误差的影响，可信性不强，我们还需要进行统计学检验。
5.2 Fisher精确检验（2×C）结果
本研究中存在预测频数小于5的情况，根据Chi-Square Tests表格分析各组的差别。SPSS输出检验结果如下：
Fisher精确检验结果显示 P = 0.032，小于0.05，说明本研究中各组之间率的差值与0的差异具有统计学意义，提示药物干预与饮食、运动干预在降低受试者胆固醇浓度的作用上存在不同。如果P>0.05，那么就说明各组之间的差值与0的差异没有统计学意义，即不认为各组之间存在差异。
5.3 Fisher精确检验（2×C）中的成对比较分析
Fisher精确检验（2×C）的结果是比较模糊的，只能判断各组之间是否存在差异，但不能说明是哪两组之间存在差异。因此，我们需要对Fisher精确检验（2×C）的各组进行成对比较分析。但是，成对比较会增加出现I型错误的风险。我们需要根据Bonferroni调整后的α水平判断成对比较的统计显著性。
一般来说，调整α水平是原α水平与分组数量的比值，如下表：
针对本研究来说，调整α水平为0.016667，即原α水平（0.05）与分组数量（3）的比值。如果成对比较的P值小于0.016667，就说明两组之间的差异具有统计学意义；但如果成对比较的P值大于0.016667，就说明两组之间没有统计学差异。
SPSS输出药物和饮食干预两组的组间比较结果如下：
该表提示药物干预的降胆固醇作用与饮食干预的降胆固醇作用的差异没有统计学意义（P=0.036，大于0.016667）。
同样地，SPSS输出药物和锻炼干预两组的组间比较结果如下：
该表提示药物与锻炼干预降胆固醇作用的差异也没有统计学意义（P=0.032，大于0.016667）。
SPSS输饮食和锻炼干预两组的组间比较结果如下：
该表提示饮食与锻炼干预降胆固醇作用的差异也没有统计学意义（P=1.000，大于0.016667）。
综上可见，本研究中药物、饮食与锻炼三组干预的降胆固醇作用，成对比较均没有差异。为了让大家更好地了解Fisher精确检验（2×C）的结果分析，本文特地举了这样一个例子。即使Fisher精确检验（2×C）的P值小于0.05，也可能出现各组之间成对比较结果无差异的情况。
当然，本文采用Bonferroni调整后的α水平进行判断，结果比较保守。如果仍使用0.05为α水平，就会提示药物干预与饮食、运动干预的降胆固醇作用的差异存在统计学意义（P<0.05）。但我们仍建议使用Bonferroni调整后的α水平汇报成对比较的结果，降低I型错误的发生风险。
6、撰写结论
本研究招募32位高胆固醇、生活习惯差的受试者，分别给予药物、饮食和运动干预。试验结束时，药物干预组12位受试者中有10位（83.3%）胆固醇浓度下降，饮食干预组11位受试者中有4位（36.4%）胆固醇浓度下降，而运动干预组9位受试者中有3位（33.3%）胆固醇浓度下降。
Fisher精确检验（2×C）结果显示，三组差异具有统计学意义（P=0.032）。采用Bonferroni调整后显示，药物、饮食与锻炼三组干预的降胆固醇作用，成对比较没有统计学差异（P>0.016667）。
更多阅读
1. SPSS教程：两个率的比较(卡方检验)及Fisher精确检验
2. SPSS：多个样本率的卡方检验及两两比较
3.【合集】36种统计方法的SPSS详细操作
医咖会微信：medieco-ykh
关注医咖会，学习医学统计学！
有临床研究设计或统计难题？以下三种方式来帮你：
绛旓細杩涜鍋忕浉鍏冲垎鏋愮殑鍙橀噺蹇呴』鏄鎬佸垎甯冿紝鍚勫洜绱犱箣闂村簲璇ユ湁鍏宠仈銆傚鏋滀笉婊¤冻涓婅堪鏉′欢搴旇杩涜杞崲銆傚湪spss鐨analyze-correlate-partial correlations鎵撳紑锛屽皢涓や釜鎴栦袱涓互涓婄殑鍙橀噺绉诲叆varables锛岃嚦灏戜竴涓帶鍒跺彉閲忕Щ鍏ontrolling for鏍忥紝ok鎸夐挳鍗冲彲銆
绛旓細鎸変互涓嬫牸寮忓綍鍏ユ暟鎹細No銆X銆Y銆Z 1銆X1銆Y1銆Z1 2銆X2銆Y2銆Z2 鈥︹銆XN銆YN銆ZN 鍦SPSS涓繘琛岄噸澶嶆祴閲忔柟宸垎鏋愶細鈥滃垎鏋愨--鈥滀竴鑸嚎鎬фā鍨嬧--鈥滈噸澶嶆祴閲忊濓紝寮瑰嚭鈥滈噸澶嶅害閲忓洜瀛愨濆璇濇銆傝嚜瀹氫箟涓涓彉閲忓悕锛3涓按骞筹紝娣诲姞锛屽畾涔夈傝繘鍏ラ噸澶嶆祴閲忓璇濇锛屽皢宸﹁竟涓変釜鍙橀噺鏀惧叆涓棿绗竴涓...
绛旓細鏁版嵁鏍煎紡濡備笅锛氬垎缁 鏁版嵁x 1 9 1 8 1 5 2 3 2 5 2 6 2 7 SPSS鑿滃崟锛孉nalyze-Compare Means-One-Way ANOVA 鏁版嵁鍙橀噺x鍜屽垎缁勫彉閲忛佸叆dependent鏂规鍜孎actor妗嗕腑 Post Hoc锛屽閲嶆瘮杈冿紝濡傛灉鍓嶉潰鏂瑰樊鍒嗘瀽涓嶆樉钁楋紝杩欎竴姝ユ病鏈鐢
绛旓細鍒欒涓鸿繖涓ょ粍鏁颁笉瀛樺湪鏄捐憲鎬у樊寮锛岃嫢杩欎釜sig鍊兼瘮浣犱箣鍓嶆墍璁惧畾鐨刟鍊煎皬锛屽垯璁や负杩欎袱缁勬暟瀛樺湪鏄捐憲鎬у樊寮傘3銆佷妇涓緥瀛愶紝濡傛灉浣犻鍏堣瀹氱殑a=0.05锛屾眰寰楃殑sig=0.000锛屽垯0.000<0.05锛屾晠搴旀嫆缁濆師鍋囪锛堝師鍋囪涓鑸负璁惧畠浠箣闂存棤宸紓锛夛紝璁や负杩欎袱缁勬暟鏈夋樉钁楁у樊寮傘
绛旓細鍗曠粍鍗℃柟妫楠
绛旓細t妫楠 閫傜敤浜庤閲忚祫鏂欍佹鎬佸垎甯冦佹柟宸叿鏈夐綈鎬х殑涓ょ粍闂村皬鏍锋湰姣旇緝锛屾楠屼袱涓鐞嗗钩鍧囨暟鐨宸紓鏄惁鏄捐憲銆spss鎻愪緵鐨凾妫楠屾湁3绉嶅舰寮忥紝鍒嗗埆鏄崟鏍锋湰T妫楠岋紙One-Sample T Test锛夛紝鐙珛鏍锋湰T妫楠(Independent-Sample T Teat)鍜屾垚瀵规牱鏈琓妫楠(Paired-Sample T Test锛夈備互涓婂唴瀹瑰弬鑰冿細鐧惧害鐧剧-宸紓鏄捐憲鎬...
绛旓細4銆佸崟鍑诲彸渚ц彍鍗曚腑鐨勯夐」锛屽皢榧犳爣绉诲姩鍒板崟鍙橀噺閫夐」锛岄夋嫨鍙傛暟浼拌鍊硷紝骞跺皢鍙傛暟浼拌鍊兼爣璁颁负鍕惧彿銆5銆侀夋嫨瀹屾垚鍚庯紝鐐瑰嚮閫夐」涓殑缁х画閫夐」锛岀劧鍚庡彲浠ラ夋嫨鍦ㄥ崟鍙橀噺瀵硅瘽妗嗕腑鐐瑰嚮纭畾锛屽嵆鍙煡鐪嬬紪杈戝悗鐨勬搷浣溿6銆佹渶鍚庡彲浠ョ湅鍒扮晫闈笂鐨勬柟妗嗘樉绀哄湪SPSS鏌ョ湅鍣ㄤ腑鍙互鐪嬪埌鑽墿瀵硅韩楂樺奖鍝嶇殑鏄剧潃鎬у垎鏋愶紝绾㈡鍐呯殑鏄剧潃鎬...
绛旓細鍦 鍧囧兼瘮杈 閲岄潰鐨 鍗曞洜绱犳柟宸垎鏋 灏辨槸姣旇緝涓夌粍鍙婁互涓婄殑鍧囧宸紓
绛旓細銆2銆佺劧鍚庯紝灏涓夌粍鏁版嵁鐨勫彉閲忓垎鍒嫋鍏モ滃洜瀛愨濇鍜屸滀緷璧栧彉閲忊濇涓紝鐐瑰嚮鈥滈夐」鈥濇寜閽紝骞跺湪寮瑰嚭鐨勫璇濇涓夋嫨璁＄畻鈥減鍊尖濈殑閫夐」銆3銆佹渶鍚庯紝鐐瑰嚮鈥滅‘瀹氣濇寜閽紝骞惰繍琛屽垎鏋愶紝鍦ㄨ緭鍑虹粨鏋滀腑鏌ユ壘鈥淔鍊尖濆拰鈥減鍊尖濓紝鍏朵腑鈥淔鍊尖濈敤浜庢楠岀粍闂宸紓鏄惁鏄捐憲锛屸減鍊尖濆垯琛ㄧず璇ュ樊寮傛槸鍚︾粺璁℃樉钁椼
绛旓細4銆佺偣鍑诲彸渚ц彍鍗曠殑閫夐」锛岄紶鏍囩Щ鍔ㄨ嚦鍗曞彉閲忛夐」涓紝閫変腑鍙傛暟浼扮畻鍊硷紝灏嗗弬鏁颁及绠楀兼爣璁颁负鎵撳嬀鐘舵併5銆侀変腑瀹屾垚鍚庯紝鍗曞嚮閫夐」涓殑缁х画閫夐」锛岀劧鍚庡湪鍗曞彉閲忓璇濇涓崟鍑荤‘瀹氾紝杩涜缂栬緫涔嬪悗鐨勬煡鐪嬫搷浣溿6銆佹渶鍚庡湪SPSS鐨鏌ョ湅鍣ㄤ腑,鍙互鐪嬪埌鑽墿瀵硅韩楂樺奖鍝嶇殑鏄捐憲鎬у垎鏋愶紝绾㈡涓樉钁楁т负0锛0.05锛屽叿鏈夋樉钁楁с
