学习笔记|多独立样本秩和检验|克鲁斯卡尔-沃利斯检验|多个组间的多重比较|规范表达|《小白爱上SPSS》课程:SPSS第十四讲 | 多独立样本秩和检验如何做?

本文主要是介绍学习笔记|多独立样本秩和检验|克鲁斯卡尔-沃利斯检验|多个组间的多重比较|规范表达|《小白爱上SPSS》课程:SPSS第十四讲 | 多独立样本秩和检验如何做?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

  • 学习目的
  • 软件版本
  • 原始文档
  • 多独立样本秩和检验
    • 一、实战案例
      • 读数据:
    • 二、统计策略
    • 三、SPSS操作
      • 1、正态性检验
      • 2、多个独立样本的秩和检验
      • 3、多个组间的多重比较
    • 四、结果解读
      • 第一,描述性统计结果。
    • 第二 ,给出的是不同训练年限各自的样本量和平均秩。
      • 第三,给出的是Kruskal-Wallis H检验的统计量、自由度、和渐进显著性。
      • 第四,表4分别进行6次多重比较
    • 五、规范报告
      • 1、规范表格
      • 2、规范文字
    • 六、划重点

学习目的

SPSS第十四讲 | 多独立样本秩和检验如何做?

软件版本

IBM SPSS Statistics 26。

原始文档

《小白爱上SPSS》课程
#统计原理

多独立样本秩和检验

之前学习了多组连续型数据的差异性比较,当独立数据且呈正态分布、方差齐时采用F检验。如果数据是非正态分布,就不能使用F检验。此时,可采用两种统计策略:一是将数据转化为正态分布数据;二是使用多样本秩和检验即Kruskal-Wallis H 检验。
多个独立样本秩和检验与两样本秩和检验一样,都是非参数检验。这种检验方法对数据正态性和方差齐性没有要求,他们主要探讨数据总体分布位置有无差异,而非总体均数。

一、实战案例

小白想考察训练年限对大侠们心理疲劳感的影响。他随机抽取32名大侠,根据训练年限,研究对象被分为4组:0-3年、4-7年、8-10年、>10年。利用Likert量表调查的心理疲劳感,分数越高,心理疲劳感越强。
问:训练年限是否会影响心理疲劳感?

读数据:

GETFILE='E:\E盘备份\recent\小白爱上SPSS\小白数据\第十四讲:多独立样本Kruskal-Wallis H检验.sav'.

在这里插入图片描述

二、统计策略

统计分析策略口诀“目的引导设计,变量确定方法”.
针对上述案例,扪心六问。
Q1:本案例研究目的是什么?
A:比较差异。
Q2:比较的组数是多少呢?
A:四组数据。
Q3:本案例属于什么研究设计?
A:观察性研究。
Q4:有几个变量?
A:有两个变量。训练年限为分组变量,心理疲劳感是结局变量
Q5:结局变量属于什么类型变量?
A:连续型变量
Q6:数据服从正态分布么?
A:需要检验。
若服从,采用单因素方差分析;若不服从正态,可采用多独立样本秩和检验即Kruskal-Wallis H 检。
概括而言,如果数据满足以下条件,则采用多独立样本秩和检验。
在这里插入图片描述

三、SPSS操作

1、正态性检验

本案例需要对四组数据都进行正态性检验。
正态性检验命令行:

EXAMINE VARIABLES=心理疲劳感 BY 训练年限/PLOT HISTOGRAM NPPLOT /*若无此行,则不输出正态性检验表*//COMPARE GROUPS /STATISTICS DESCRIPTIVES /CINTERVAL 95 /MISSING LISTWISE /NOTOTAL.

在这里插入图片描述
经S-W(夏皮洛-威尔克)检验,四组不同训练年限心理疲劳感的p值分别为0.003、0.016、0.019和0.003,均小于0.05,有统计学意义,不支持原假设,可认为四组数据不符合正态分布。因此,比较四组数据,采用非参数检验中的多个独立样本的秩和检验。

2、多个独立样本的秩和检验

Step1: 点击分析—非参数检验—旧对话框—K个独立样本
Step2: 将"心理疲劳感"选入检验变量列表 将"训练年限"选入分组变量
Step3:点击【定义范围】,此处填写该分组变量在数据库赋值中的最小值“1"和最大值“4”。
Step4:点击【选项】,勾选“描述和四分位数”,点击继续。
在这里插入图片描述
Step5:在检验类型中,选择克鲁斯卡尔-沃利斯检验方法。
Step6: 点击确定,输出结果。
命令行:

NPAR TESTS /K-W=心理疲劳感 BY 训练年限(1 4) /STATISTICS DESCRIPTIVES QUARTILES /MISSING ANALYSIS.

3、多个组间的多重比较

此时需要多样本秩和检验的第二种操作方法
多个独立样本秩和检验的结果,当p<0.05时,可以进行多个组间的多重比较。可以采用两样本秩和检验,SPSS带的Bonfereoni方法等。
Step1: 依次点击分析–非参数检验–独立样本;
Step2: 点击“字段”,选择“心理疲劳感”到“检验字段”框中,选择“训练年限”到“组”框中;
在这里插入图片描述
Step3:点击“设置”,在界面中选择“定制检验”,选择“克鲁斯卡尔-沃利斯单因素分析”,多重比较选择“全部成对”,点击“运行”。在这里插入图片描述
对于SPSS25版本:
Step4: 得到多样本秩和检验分析结果,双击该结果。
Step5: 点击右下方选项框,选择成对比较,输出结果。
Step6: 点击确定,输出结果。
注意:以上操作是SPSS25版本,如果是SPSS26以上版本,则可不用操作Step4和Step5。
命令行:

*Nonparametric Tests: Independent Samples. 
NPTESTS /INDEPENDENT TEST (心理疲劳感) GROUP (训练年限) KRUSKAL_WALLIS(COMPARE=PAIRWISE) /MISSING SCOPE=ANALYSIS USERMISSING=EXCLUDE /CRITERIA ALPHA=0.05  CILEVEL=95.

四、结果解读

Kruskal-Wallis H 检验检验结果有三张表格。

第一,描述性统计结果。

分别为样本量、均数、标准差、最小值、最大值、第25,50,75百分位数。
在这里插入图片描述

第二 ,给出的是不同训练年限各自的样本量和平均秩。

在这里插入图片描述

第三,给出的是Kruskal-Wallis H检验的统计量、自由度、和渐进显著性。

在这里插入图片描述
从表中可知,H=20.548,p<0.001。

第四,表4分别进行6次多重比较

显示各次比较的统计量、标准误、p值和校正p值
在这里插入图片描述
从表中可知,0-3years与8-10years的疲劳感之间有显著性差异,p=0.002;
0-3years与>10years的疲劳感之间有显著性差异, p<0.001。其他各组之间无显著性差异。

五、规范报告

规范报告有多种方式,本公众号只提供一种方式供参考。

1、规范表格

在这里插入图片描述
注:图中采用显著性字母标注法。如果两组之间有共同字母,则表明无显著性差异;若没有相同字母,则表示有显著性差异。
如0-3年组与4-7年组,有共同字母a,表明无显著性差异;而0-3年与8-10年组无共同字母,则表明有显著性差异。

2、规范文字

由于数据不服从正态分布,故采用多样本的即Kruskal-Wallis H 检验。
结果显示,不同训练年限的疲劳感存在着统计学差异(H=20.548,p<0.001)。
Bonferroni多重均数比较结果显示,训练0-3年与训练8-10年的疲劳感有显著性差异(p=0.002);训练0-3年与训练年限>10年的疲劳感有显著性差异(p<0.001),其他各组之间的疲劳感无显著性差异。

六、划重点

1、多组连续型数据的比较一般方法有两种,一种是F检验,一种是非参数秩和检验。
2、多组数据如果不符合正态分布,或者数据为次序数据,采用多样本秩和检验,即Kruskal-Wallis 检验。
3、Kruskal-Wallis H检验对连续型数据分布没有要求,不要求正态性和方差齐性。

这篇关于学习笔记|多独立样本秩和检验|克鲁斯卡尔-沃利斯检验|多个组间的多重比较|规范表达|《小白爱上SPSS》课程:SPSS第十四讲 | 多独立样本秩和检验如何做?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/344768

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

百度/小米/滴滴/京东,中台架构比较

小米中台建设实践 01 小米的三大中台建设:业务+数据+技术 业务中台--从业务说起 在中台建设中,需要规范化的服务接口、一致整合化的数据、容器化的技术组件以及弹性的基础设施。并结合业务情况,判定是否真的需要中台。 小米参考了业界优秀的案例包括移动中台、数据中台、业务中台、技术中台等,再结合其业务发展历程及业务现状,整理了中台架构的核心方法论,一是企业如何共享服务,二是如何为业务提供便利。

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

hdu1171(母函数或多重背包)

题意:把物品分成两份,使得价值最接近 可以用背包,或者是母函数来解,母函数(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v) 其中指数为价值,每一项的数目为(该物品数+1)个 代码如下: #include<iostream>#include<algorithm>

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

MySQL高性能优化规范

前言:      笔者最近上班途中突然想丰富下自己的数据库优化技能。于是在查阅了多篇文章后,总结出了这篇! 数据库命令规范 所有数据库对象名称必须使用小写字母并用下划线分割 所有数据库对象名称禁止使用mysql保留关键字(如果表名中包含关键字查询时,需要将其用单引号括起来) 数据库对象的命名要能做到见名识意,并且最后不要超过32个字符 临时库表必须以tmp_为前缀并以日期为后缀,备份

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学