京公网安备 11010802034615号
经营许可证编号:京B2-20210330
一、问题与数据
为调查A、B、C三种治疗措施对患者谷丙转氨酶(ALT)的影响,某科室将45名患者随机分为三组,每组15人,分别采取A、B、C三种治疗措施。治疗后ALT水平(U/L)如下。试问应用三种治疗措施后,患者的ALT水平是否有差异?
表1. 三组患者治疗后的ALT水平(U/L)
二、对数据结构的分析
整个数据资料涉及3组患者,每组15人,测量指标为血常规报告的ALT水平,因此属于多组设计的定量资料。
要想知道不同治疗措施对ALT水平的影响是否相同,则要比较3组的总体均数之间的差异是否具有统计学意义。若各组观察值满足独立性,服从正态分布或近似正态分布,并且各组之间的方差齐,可选用单因素方差分析。
三、SPSS分析方法
1. 数据录入SPSS(1=A组,2=B组,3=C组)
2. 选择Analyze→General Linear Model→Univariate (假设三组数据服从正态分布)
3. 选项设置
1)主对话框设置:将分析变量(ALT)送入Dependent Variable 框中→将分组变量(Group)送入Fixed Factor(s) 框中。
2) Options设置:点击Options按钮,勾选Descriptive statistics(显示统计描述)和Homogeneity tests(方差齐性检验)→Continue→OK。
四、结果解读
Descriptive Statistics表格给出了三组和总体ALT水平的部分统计信息,包括组别(Group)、均数(Mean)、标准差(Std. Deviation)和例数(N)。
Levene’s Test of Equality of Error Variances表格给出了方差齐性检验的结果。F值=0.791,P(Sig.)=0.460,说明三组数据方差齐,满足方差分析的适用条件。
Tests of Between-Subjects Effects表格给出了方差分析的结果。其中,Corrected Total一行表示总变异,Group一行表示组间变异,Error一行表示组内变异,Type Ⅲ Sum of Squares表示离均差平方和,Mean Square表示均方。方差分析的结果主要看Group一行,F值=68.810,P(Sig.)<0.001。
五、撰写结论
A组患者ALT水平为(13.28 ± 4.39)U/L,B组患者ALT水平为(28.44 ± 3.65)U/L,C组患者ALT水平为(12.15 ± 4.64)U/L。A、B、C三种治疗措施对患者ALT水平的影响差异具有统计学意义(F=68.810,P<0.001)。
六、延伸阅读
1. 单因素方差分析也可以通过Analyze→Compare Means→One-Way ANOVA进行,将ALT送入Dependent List框中,将Group送入Factor框中,其结果与本例的操作是一样的,感兴趣的亲可以自己动手试一下!
2. 单因素方差分析适用于只有一个处理因素的完全随机设计,处理因素可以有2个及以上的处理水平,观察指标为连续变量。适用条件包括:
1)观测指标满足独立性;
2)各组观测指标均来自正态分布总体;
3)各组观测指标方差相等。
在实际中由于方差分析具有稳健性,因此对正态性的条件要求不是很严格,但是对方差齐的要求比较严格。
3. 本例只是得出了3组总体均数之间差异具有统计学意义,并不意味着任意2组之间的均数差异都具有统计学意义。要想进一步了解哪两个组间的ALT水平存在差异,还需要进一步做样本均数之间的多重比较。SPSS统计软件提供了很多种用于两两比较的方法,包括Bonferroni法、S-N-K法、Tukey法等。之所以有这么多种方法,是因为目前还没有一种在任何条件下都适用、而且效果好的方法,这些方法都是从不同角度上控制多重比较时I型错误的发生概率。
来CDA学业务数据分析师,SPSS理论结合实战进行项目数据分析,助你成为从事数据采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据分析人才,点击了解课程详情!
数据分析师一定要了解的大厂入门券,CDA数据分析师认证证书!
CDA(数据分析师认证),与CFA相似,由国际范围内数据科学领域行业专家、学者及知名企业共同制定并修订更新,迅速发展成行业内长期而稳定的全球大数据及数据分析人才标准,具有专业化、科学化、国际化、系统化等特性。
同时,CDA全栈考试布局和认证体系已得到教育部直属中国成人教育协会及大数据专业委员会认可,并由为IBM、华为等提供全球认证服务的Pearson VUE面向全球提供灵活的考试服务。
报名方式
登录CDA认证考试官网注册报名>>点击报名
报名费用
Level Ⅰ:1200 RMB
Level Ⅱ:1700 RMB
Level Ⅲ:2000 RMB
考试地点
Level Ⅰ:中国区30+省市,70+城市,250+考场,考生可就近考场预约考试 >看看我所在的地哪里报名<
Level Ⅱ+Ⅲ:中国区30所城市,北京/上海/天津/重庆/成都/深圳/广州/济南/南京/杭州/苏州/福州/太原/武汉/长沙/西安/贵阳/郑州/南宁/昆明/乌鲁木齐/沈阳/哈尔滨/合肥/石家庄/呼和浩特/南昌/长春/大连/兰州>看看我所在的地哪里报名<
报考条件
业务数据分析师 CDA Level I >了解更多<
▷ 报考条件:无要求。
▷ 考试时间:随报随考。
建模分析师 CDA Level II >了解更多<
▷ 报考条件(满足任一即可):
1、获得CDA Level Ⅰ认证证书;
2、本科及以上学历,需从事数据分析相关工作1年以上;
3、本科以下学历,需从事数据分析相关工作2年以上。
▷ 考试时间:
一年四届 3月、6月、9月、12月的最后一个周六。
▷ 报考条件(满足任一即可):
1、获得CDA Level Ⅰ认证证书;
2、本科及以上学历,需从事数据分析相关工作1年以上;
3、本科以下学历,需从事数据分析相关工作2年以上。
▷ 考试时间:
一年四届 3月、6月、9月、12月的最后一个周六。
数据科学家 CDA Level III >了解更多<
▷ 报考条件(满足任一即可):
1、获得CDA Level Ⅱ认证证书;
2、本科及以上学历,需从事数据分析相关工作3年以上;
3、本科以下学历,需从事数据分析相关工作4年以上。
▷ 考试时间:
一年四届 3月、6月、9月、12月的最后一个周六。
(备注:数据分析相关工作不限行业,可涉及统计,数据分析,数据挖掘,数据库,数据管理,大数据架构等内容。)
——热门课程推荐:
想学习PYTHON数据分析与金融数字化转型精英训练营,您可以点击>>>“人才转型”了解课程详情;
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14