一、T检验
1.1 样本均值比较T检验的使用前提
- 正态性；（单样本、独立样本、配对样本T检验都需要）
- 连续变量；（单样本、独立样本、配对样本T检验都需要）
- 独立性；（独立样本T检验要求）
- 方差齐性；（独立样本T检验要求）
1.2 样本均值比较T检验的适用场景
单样本T检验（比较样本均数和总体均数）；
操作：打开 分析—比较均值—单样本t检验要求：正态性（可以用K-S检验法，在SPSS中的“分析”–“非参数检验”—“单样本”中；或者直接根据直方图、P-P图，Q-Q图来观察或根据偏度峰度法来分析）
说明：由中心极限定理可知，即使原数据不符合正态分布，只要样本量足够大时样本均数分布仍然是正态的。只要数据不是强烈的偏正态，没有明显的极端值，一般而言单样本t检验都是可以使用的，分析结果都是稳定的。
独立样本T检验（比较成组设计的两个样本）；
操作：打开 分析—比较均值—独立样本t检验
我们输入数据的时候，两个样本的数据是要在一列变量里的，另外还有一列二分类变量为这列因变量做标注。要求：独立性、正态性（对正态性有耐受性）、方差齐性（影响大，检验更有必要，使用Levene’s检验，两样本T检验中提供Levene’s检验，如需更详细的检验结果可在“分析”–“描述统计”–“探索”中进行）
说明：各样本相互独立，且均来自于正态分布的样本，各样本所在总体的方差相等；
* 疑问：独立性怎么检验？有些数据可以根据现实环境判断；*
配对样本T检验（如用药前和用药后的两个人群的样本、同一样品用两种方法的比较）
操作：打开 分析—比较均值—配对样本t检验要求：正态性（配对样本等价于单样本T检验，检验的是两个样本对应的差值，初始假设为差值等于0）
二、单因素方差分析
2.1 单因素方差分析的基本思想
- 基本思想：变异分解，总变异=随机变异+处理因素导致的变异，又可以分解为总变异=组内变异+组间变异，F=组间变异/组内变异，F的值越大，处理因素的影响越大。
2.2 单因素方差分析的使用前提
- 独立性：不满足独立性会有很大的影响，因为信息存在“重叠”的部分
疑问：在哪儿可以验证？卡方检验？卡方检验检验的是两个分类变量 - 正态性：对正态性的要求是稳健的
- 方差齐性：检验方法除了Levene’s检验，还可以有其他的检验方法：Bartleet法（比较各组方差的加权算数平均数和几何均数）、Hartley法（样本量相同时使用）、Cochran法（样本量相同时使用）。
方差分析对变量的类型有要求吗？应该分析的都是连续变量
2.3 单因素方法分析的使用前提不满足时变换方法
- 对数变换、平方根变换、平方根反正弦变换、平方变换、倒数变换、Box-Cox变换（分段函数）
2.4 单因素方差分析的适用场景
T检验只能检验两组样本的均数差，多组样本的时候就需采用方差分析；
操作：打开分析—比较均值—均值 进行预分析，可以大致看出各均值是否相同，方差是否齐性；再进行 打开 分析—比较均值—单因素anova；
适用场景：均数间的多重比较（全部两两比较）、各组均数的精细比较（可以指定要比较的两个组，通过设定系数）、组间均数的趋势检验（为了利用分组变量中体现出的次序信息，目的不是为了拟合线性或非线性的模型，而是希望知道因素的水平改变时均数的变化趋势）
2.5 方差分析结束后如均值不同可进行两两比较（事前比较、事后比较）
LSD法：用于事先计划好的比较，最灵敏；检验水准没有校正，每次都是α
Sidak法：第二灵敏；
Bonferroni法：用于事先计划好的比较，第三灵敏；
Scheffe法：多用样本含量不等的情况，第四灵敏；
Dunnett法：常用于多个实验组和一个对照组的比较，第五灵敏；寻找同质亚组的检验方法：
S-N-K法：将所有样本分为多个子集；
Tukey法：任意两组比较，要求样本含量相同，MEER不超过α；
Duncan法：与SNK法类似；备注：
CER：每进行一次比较犯一类错误错误的概率；
EERC：完全无效假设检验下，做完全部比较犯一类错误的概率；
MEER：部分或者任何完全假设下，犯一类错误的最大概率值，即最大实验误差率。
疑问：单因素方差分析的事前检验和事后检验有什么区别，为什么结果不同？？
三、非参数检验
3.1 非参数检验的基本思想
- 非参数检验的意思是指整个推断过程和结论均和原总体参数无关，而不是不利用参数
3.2 非参数检验的优势
- 稳健性；
- 对数据的测量尺度、数据类型无约束；
- 适用于小样本、无分布样本、数据污染样本、混杂样本等；
3.3 非参数检验使用前提
- 有序、名义变量，这类数据的分布形态一般未知，均值方差等数据无意义；
- 样本分布未知；
- 样本数据不满足正态分布，即便是经过变量变换；
- 方差齐性不满足，即便是经过变量变换；
- 总体分布正态，连续变量，但样本容量极小，如10以下；
3.2 非参数检验适用情形
单样本非参数检验
K-S检验：针对连续变量，考察是否符合正态分布
操作：打开–分析–非参数检验–单样本二项分布检验：针对两分类变量，考察是否符合二项分布
操作：打开–分析–非参数检验–单样本- 游程检验：考察总体的随机性
操作：打开–分析–非参数检验–单样本
两个独立样本的非参数检验（无效假设为两样本的中心位置是否相等）
Mann-Whitney U检验，两样本秩和检验，应用范围最广；
Kolmogorov-Smirnov Z检验：检验两个样本的累积频数分布曲线，判断两个样本的分布是否相同；
Moses Extreme Reactions 检验：Moses极端反应检验，单侧检验
Wald-Wolfowitz Runs 检验：单侧检验，无论是集中趋势、离散趋势、偏度的波动情况都能检测出来，如果只是检查中心位置，最好不用，检验两样本是否来自同样的分布；
操作：打开 分析—非参数检验—独立样本
多个独立样本的非参数检验
Kruskal-Wallis H检验（类似Wilcoxon符号秩检验，两样本在多样本上的推广）
中位数检验
Jonckheere-Terpstra检验：对连续变量和有序分类资料都使用，分组变量为有序分类资料时，检验效能要高于Kruskal-Wallis H检验
操作：打开 分析—非参数检验—独立样本
两个配对样本（求出差值，查看中位数是否为0，目的就是为了检验均值是否相等）
sign符号检验：只利用了符号信息，差值是否一半为正一半为负；
Wilcoxon符号秩检验：利用了符号和差值的大小顺序（符号+秩序）
- 操作：打开 分析—非参数检验—相关样本
多个相关样本非参数检验
Friedman 检验：基本思想是同区组的处理值和计算的秩比较才有意义，还附带齐性子集结果给出了准确的两两比较信息；
Kendall协和系数检验：为了检验各组评价是否一致，Friedman检验只能说明尚不能认为有差异，但是无法评判一致性，Kendall方法针对连续变量，
Cochran检验：有些评价只能用是否、好坏等二元数据来判断，Cochran只适用于二分类变量，用Kendall方法会有很多的打结现象。
操作：打开 分析–非参数检验–相关样本
通用方法—秩变换分析方法
前面有关秩的分析方法其实都是秩变换方法的不同应用，分析方法中可以直接将秩求出后再进行分析。
操作：转换 — 个案排秩（也可以指定生成符合正态分布的秩）
四、卡方检验
4.1 卡方检验的基本思想
- 以卡方分布为基础，计算观察值和期望值之间的偏离程度；
4.2 卡方检验的使用前提
- 最小期望频数均大于1
- 至少4/5的单元格期望频数大于5
- 计算时如果单元格期望频数小于5要和其他种类合并
- 样本观察值量超过50
4.3 卡方检验的使用目的
- 考察无序分类变量各水平在两组或多组间的分布是否一致；
- 检验某个连续变量的分布是否和理论分布一致；
- 分类变量的概率是否等于指定概率；
- 检验两个分类变量是否独立；
- 检验控制了其中几个因素后，剩余的两个分类变量是否独立；
- 检验两种方法的结果是否一致；
4.4 卡方检验的适用场景
单样本卡方检验
操作： 打开 分析–非参数检验–单样本两样本卡方检验
操作： 打开 分析–描述统计–交叉表两分类变量间关联程度的度量：定性描述两个分类变量是否存在关联（更为详细的可以根据相关分析）
操作： 打开 分析–描述统计–交叉表Kappa一致性检验（用于配对样本，如两个人针对一个事物的评价）
用于配对样本的检验，Kappa检验的结果是两个人的评价是否是相关的
操作： 打开 分析–描述统计–交叉表Mcnemar 配对卡方检验
Kappa检验只能看出两者是否有关联，但是不能判断是否一致，Mcnemar 配对卡方检验就可以解决两者是否一致的问题
操作： 打开 分析–描述统计–交叉表分层卡方检验
可以控制一个因素，如收入对车辆购买率的影响，可以将城市作为分层因素，从而可以得到更准确的结果，但是SPSS中只能进行两分类变量的检验，不能进行多分类的检验，且分层因素和要分析的因素之间如果存在交互关系也不能进行检验。
操作： 打开 分析–描述统计–交叉表
4.5 备注
相对危险度（RR）
RR=试验人群反应阳性的概率/对照组人群反应阳性的概率
RR=1，说明试验因素反应阳性没有关联
RR＜1，说明试验因素导致反应阳性的发生率降低
RR＞1，说明试验因素导致反应阳性的发生率升高优势比（OR）
OR=（反应阳性组中实验因素阳性人数/反应阳性组中实验因素阴性人数）/（反应阴性组中实验因素阳性人数/反应阴性组中实验因素阴性人数）
OR＞1，说明该试验因素更容易导致实验结果为阳性
PS：这篇博客陆续写了半个月，简直汗颜，是对自己看了SPSS基础教程的理解和整理，还有很多疑问，如有对内容质疑的欢迎讨论。