spss平均数差异t检验1.pptVIP

第九章 類別變項分析：卡方考驗 量化研究與統計分析 第一章 科學研究與量化方法 第九章类别资料分析—卡方考验 Categorical Data Analysis : Chi-Square Test 课程目标 了解类别资料的特性 了解残差分析的原理 了解卡方考验的原理 了解各种类别变项关联系数 了解各种顺序变项关联系数 熟习类别变项的各种SPSS统计应用 类别资料的分析 类别资料的产生 原发性类别资料：当被测定的变项的本质是名义性的属性, 例如性别资料 操弄性类别资料：以人为操作的手段所获致的分类性资料, 例如实验操弄的分类结果 虚拟化类别资料：由其他类型的资料型态转换成类别形式的资料, 例如由连续变项转换来的类别变项 类别资料的基本型态 次数与百分比 类别资料的呈现 次数分配表与列联表 类别资料的分析 卡方检定与其他关联性分析法 类别变项的考验类型 适合度考验 某一个变项是否与某个理论分配或母群分配相符合 考验的内容仅涉及一个变项，是一种单因子考验 独立性考验 同时检测两个类别变项﹙X与Y﹚之间的关系时，其目的在于检测从样本得到的两个变项的观察值，是否具有特殊的关联。 若检定不同人口母群体，在某一个变项的反应是否具有显著差异。称为同质性考验。 多重列联表分析 探讨三个或以上类别变项之间是否具有关联（非独立）或无关（独立） 列联表 列联表为两个单一类别变项的次数分配表的整合呈现 直行（column）变项以X表示，横列（row）以Y表示 如果X变项具有k个水平，Y变项具有l个水平，称为k×l列联表 边际分配﹙marginal distribution﹚ 列联表的侧缘数据（右侧及下方的次数分配），反应两个变项的次数分配状况，也就是两个独立的次数分配表 细格次数 边际次数所包夹的区域称为细格﹙cells﹚，反应两个变项的互动关系 两个类别变项是否具有关联性，就是在检查各细格当中次数的变化情形 残差分析（residual analysis） 残差分析 各细格期望次数与观察次数的差值的分析 期望值（以 表示） 是各细格所相对应的两个边际人数百分比（Pi.与P.j）的乘积乘以总人数 在特定边际次数的条件下，两个变项无关联时，细格次数在随机情况下的最可能值，或称为最大概似（maximum likelihood）期望值 残差（residual） 残差 各细格实际观察人数减去期望人数，又称为Δ（delta）值 残差越大，各细格分布越不如期望般的出现，两个变项有某种关联，残差越小，表示各细格分布越接近期望，两变项无关联 正残差值表该细格的观察次数高于两个变项无关时的期望值 负残差值表该细格的观察次数低于两个变项无关时的期望值 标准化残差（standardized residual） 标准化残差 残差为未标准化统计量数。将残差除以标准误，得到标准化残差 将标准化残差平方后加总，即得Pearson ?2，也就是我们常用的卡方值 Δ’分布呈标准化常态分配N（0,1），可利用常态化Z分配进行统计决策 调整后标准化残差（adjusted standardized residual） 标准化残差会随着边际期望值的大小变动而产生波动 若将标准化残差以各边际比率进行调整，得到调整后标准化残差，可以排除各边际次数不相等所造成的比较问题 卡方考验 卡方考验 将样本统计量转换成卡方值，配合卡方分配所进行的统考验 原理是以细格次数来进行交叉比较，俗称交叉分析 χ2值的大小，代表统计量与理论值的差异程度，一旦χ2值大于显著水平的临界值，即表具有统计意义 残差分析是卡方考验显著后的事后考验程序 卡方考验显著之后，再以残差分析来检验各细格的状况 卡方分配 令X为一常态化随机变量，以N(μ,σ2)表示 从此一随机变量中任意抽取一个样本，将X值转换成标准分数（Z分数），再将Z分数取平方，此时，Z2被定义自由度为1的卡方随机变量 卡方变量由于是Z分数的平方，因此呈现正偏态分配，而非对称分配。卡方变量介于0到1的机率，等于Z分数介于±1时的机率（68.26%）。 小样本的卡方检验 小样本问题 当样本很小时，以上述卡方公式所导出的数值仅是一个卡方近似值，而非真正卡方分配下的数值。 小样本应使用校正值，例如耶兹校正（Yate’s correction for continuity）或费雪正确机率考验（Fisher’s exact probability test） 前后测资料，应使用麦内玛考验（McNemar test） 关联系数 Phi（?）系数 反应两个二分类别变项（例如类别为男女、是否的类别变项）的关联性系数 ?系数与卡方值之间具有可转换的数学关系 ?系数系修正了样本数对