京公网安备 11010802034615号
经营许可证编号:京B2-20210330
SPSS详细操作:样本均数间的多重比较
下面我们用例子来探讨:方差分析得出各组总体均数间的差异有统计学意义之后,如何进行样本均数间的多重比较。
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?如果有差异,又是哪两个组间的ALT水平存在差异?
表1. 三组患者治疗后的ALT水平(U/L)
二、对数据结构的分析
整个数据资料涉及三组患者,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。
我们已经知道可以采用单因素方差分析的方法,比较三组总体均数之间的差异是否具有统计学意义,但如果差异有统计学意义,并不意味着任意两组之间的均数差异都有统计学意义。想进一步了解哪两个组间的ALT水平存在差异,还需要做样本均数间的多重比较。
三、SPSS分析方法
1. 数据录入SPSS
2. 进行单因素方差分析:
(1)Analyze → General Linear Model → Univariate;
(2)主对话框设置:分析变量(ALT)送入Dependent Variable 框中→分组变量(Group)送入Fixed Factor(s) 框中;
(3)Options设置:勾选Descriptive statistics(统计描述)和Homogeneity tests(方差齐性检验)→Continue。
3. 均数间的多重比较:
(1)点击Post Hoc按钮,将Group送入Post Hoc Tests for框中→在Equal Variances Assumed(方差齐)框中,勾选几种常用的多重比较方法:
LSD、S-N-K、Bonferroni、Tukey、Šidák、Scheffé's、Dunnett
(2)在Dunnett选项下面,Control Category选择First(以A组作为对照组),Test框中勾选2-sided→Continue→OK。
四、结果解读
Tests of Between-Subjects Effects表格给出了方差分析的结果。在方差齐的条件下,Group一行结果显示,F值=68.810, P(Sig.)<0.001。
Multiple Comparisons表格给出了部分方法的多重比较结果,分别列出了每个组和其他组比较的均数的差值(Mean Difference (I-J))、标准误(Std. Error)、P值(Sig.)和均数差值的95%置信区间(95% Confidence Interval)。检验水准α设为0.05,组间差异有统计学意义的结果已用*标出。
不同多重比较方法的选择,需要结合研究设计和每个方法各自的特点及适用条件。我们以Bonferroni法和Dunnett法的结果为例,进行解读:
Bonferroni法结果显示,A组与B组的ALT水平相比,Mean Difference=-15.160 U/L,P(Sig.)<0.001;A组与C组相比,Mean Difference=1.133 U/L,P(Sig.)=1.000;B组与C组相比,Mean Difference=16.293 U/L,P(Sig.)<0.001。
Bonferroni法和Šidák法的检验原理为根据需要比较的次数来调整检验水准。以Bonferroni法为例,调整的方法有两种:1、将α’=α/m作为检验水准的调整值(m为共需比较的次数,假设m=C32=3,α’=0.05/3=0.017),两两比较得出的P值与α’进行比较,即P<0.017时才能拒绝零假设;2、将计算得到的P值扩大为原来的m倍为P’,然后将P’与0.05比较,即P’<0.05时拒绝零假设。SPSS采取的是第二种方法,直接为我们给出了Bonferroni法和Šidák法调整后的P’值,故将调整后的P’值与检验水准0.05比较即可,不用再自行计算。
Dunnett法结果显示,B组与A组的ALT水平相比,Mean Difference=15.160 U/L,P(Sig.)<0.001;C组与A组相比,Mean Difference=-1.133 U/L,P(Sig.)=0.688。
Homogeneous Subsets表格同样给出了部分方法的多重比较结果。我们以Student-Newman-Keuls(S-N-K)法的结果为例,进行解读:
C组ALT水平的均数为12.147 U/L,A组均数为13.280 U/L,C组和A组被分到一个亚组(Subset 1),P(Sig.)=0.469;B组均数为28.440 U/L,被单独分到另一个亚组(Subset 2),P(Sig.)>0.999。
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)。其中,B组与A组,B组与C组间患者的ALT水平差异均具有统计学意义(P<0.001),A组与C组间患者的ALT水平差异无统计学意义(P>0.05)。
六、延伸阅读
SPSS中均数间多重比较方法可以分为两大类,包括多重两两比较的检验(Multiple Comparisons)和对极差进行亚组同质性的检验(Homogeneous Subsets),二者结果的表现形式有所不同,如本例结果所示。
两两比较检验给出了每个组和其他组比较的结果。亚组同质性检验则先按照每个组均数的大小进行排序,将组间均数差异无统计学意义的均数分到一个亚组,这样会形成若干个亚组,同一亚组内的均数差异无统计学意义,不同亚组间的均数差异有统计学意义。
本例中,C组和A组被分到一个亚组,说明两组间均数差异无统计学意义;B组被单独分到一个亚组,说明B组与A组、B组与C组间的均数差异都有统计学意义。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12