
SPSS操作:多个独立样本的非参数检验及两两比较
一、问题与数据
某研究者想探讨不同体力活动的人,应对职场压力的能力是否不同。因此,研究招募了31名研究对象,测量了他们每周进行体力活动的时间(分钟),以及应对职场压力的能力。
根据体力活动的时间长短,研究对象被分为4组:久坐组、低、中、高体力活动组(变量名为group)。利用Likert量表调查的总得分(CWWS得分)来评估应对职场压力的能力,分数越高,表明应对职场压力的能力越强(变量名为coping_stress)。部分数据如下图。
二、对问题的分析
研究者想知道不同体力活动组之间CWWS得分是否不同,可以使用Kruskal-Wallis H检验。Kruskal-Wallis H检验(有时也叫做对秩次的单因素方差分析)是基于秩次的非参数检验方法,用于检验多组间(也可以是两组)连续或有序变量是否存在差异。
使用Kruskal-Wallis H test进行分析时,需要考虑以下3个假设。
假设1:有一个因变量,且因变量为连续变量或等级变量。
假设2:存在多个分组(≥2个)。
假设3:具有相互独立的观测值,如本研究中各位研究对象的信息都是独立的,不存在相互干扰作用。
三、SPSS操作
1. Kruskal-Wallis H检验
在主界面点击Analyze→Nonparametric Tests→Independent Samples,出现Nonparametric Tests: Two or More Independent Samples对话框,默认选择Automatically compare distributions across groups。
点击Fields,在Fields下方选择Use custom field assignments,将变量coping_stress放入Test Fields框中,将变量group放入Groups框中。
点击Settings→Customize tests,在Compare Median Difference to Hypothesized区域选择Kruskal-Wallis 1-way ANOVA (k samples),如下图。本步骤也可不操作,默认即可。因为我们选择了Automatically compare distributions across groups,且有3个分组, SPSS会默认选择Kruskal-Wallis 1-way ANOVA (k samples)。
点击Run,输出结果。
2. 对数据分布的了解
Kruskal-Wallis H 检验,其原理是将原始数据排序后分配秩次,再对秩次做假设检验。因此,统计描述只能描述各组数据的“平均秩次”,假设检验的结果也只能表述为“各组数据分布的差异有/无统计学意义”。然而,“平均秩次”并不能充分反映各组数据的集中趋势。
我们知道,对于非正态分布数据,描述其集中趋势的较好指标是中位数(相对应的,对于正态分布数据,描述其集中趋势的较好指标是均数)。因此,在做Kruskal-Wallis H 检验(以及Mann-Whitney U检验/Wilcoxon秩和检验)前,需要首先对原始数据的分布形态做一个了解。
假设某研究关注不同教育程度(高中及以下、本科、硕士及以上)研究对象的年均收入,则年均收入的分布可能有2种情况(如下图)。左侧的图表示各组年均收入的分布形状一致(分布形状一致代表变异一致),而右侧的图表示各组年均收入的分布形状不一致。
因此,在做Kruskal-Wallis H 检验(以及Mann-Whitney U检验/Wilcoxon秩和检验)前,需要画直方图对各组数据的分布形状做一个了解(本例的模拟数据量较少,因此省去画直方图的操作。实际研究中,应当首先做直方图)。
如果实际研究中,各组因变量的分布形状基本一致,则需要计算各组因变量的中位数,以便统计描述时汇报。如果各组因变量的分布形状不一致,则在统计描述时不必汇报。
3. 计算中位数
Kruskal-Wallis H 检验并不直接给出中位数的具体数值,因此需要单独计算中位数。在主界面栏中点击Analyze→Compare Means,在Means对话框中,将coping_stress选入Dependent List框中,将group选入Independent List框中。
点击Options,出现Means: Options对话框。将Cell Statistics框中的“Mean”和“Standard Deviation”选回Statistics框中,并将“Median” 从Statistics框中选入Cell Statistics框中。点击Continue→OK。
四、结果解释
1. Kruskal-Wallis H检验
Kruskal-Wallis H检验的最终结果如下图。
双击Hypothesis Test Summary,启动Model Viewer窗口。Model Viewer窗口右上方的“Independent-Samples Kruskal-Wallis Test”箱式图反映了各组CWWS评分的中位数和分布情况。
Model Viewer窗口右下方Asymptotic Sig. (2-sided test)对应的P值与Hypothesis Test Summary中的P值一样。如下图。
基于以上结果,可以认为各组CWWS评分的分布不全相同,差异具有统计学意义(H = 14.468,P=0.002)。
2. 两两比较
虽然得到了各组CWWS评分的分布不全相同的结论,但我们仍然不清楚到底是哪两组之间不同,因此需要进一步两两比较。
点击Model Viewer右侧下方的View处,选择“Pairwise Comparisons”选项。
点击后,Pairwise Comparisons的右侧视图出现两两比较的结果。
在Pairwise Comparisons of Physical Activity Level图中,圆点旁边的数值代表该组的平均秩次。连接线代表两两比较的结果,黑色连接线代表两组间差异无统计学意义,橘黄色连接线代表两组差异具有统计学意义。
表格给出了更多的信息:比较的组别、统计量、标准误、标准化的统计量(=统计量/标准误)、P值和调整后的P值。
由于是事后的两两比较(Post hoc test),因此需要调整显著性水平(调整α水平),作为判断两两比较的显著性水平。依据Bonferroni法,调整α水平=原α水平÷比较次数。例如本研究共比较了6次,调整α水平=0.05÷6=0.0083。因此,最终得到的P值(上图中Sig.一列),需要和0.0083比较,小于0.0083则认为差异有统计学意义。
另外,SPSS也提供了调整后P值(上图中Adj. Sig.一列),其思想还是采用Bonferroni法调整α水平。该列是将原始P值(图中Sig.一列)乘以比较次数得到,因此可以直接和0.05比较,小于0.05则认为差异有统计学意义。
值得注意的是,中度体力活动和高度体力活动比较时(最后一行),原始P=0.829,而调整后P=1(不等于0.829的6倍)。这是因为,P的最大值为1。
以上结果可以描述为:采用Bonferroni法校正显著性水平的事后两两比较发现,CWWS评分的分布在久坐组和中度体力活动组(调整后P=0.008)、久坐组和高体力活动组(调整后P=0.005)的差异有统计学意义,其它组之间的差异无统计学意义。
3. 描述中位数
假设本研究中,各组CWWS评分的分布形状基本一致,则报告结果时还应该报告各组CWWS评分的中位数。Report表格给出了中位数及样本数。
五、撰写结论
1. 各组CWWS评分的分布形状基本一致时
比较不同体力活动组中CWWS评分的分布差异,采用Kruskal-Wallis H检验。根据直方图判断各组中CWWS评分分布的形状基本一致。各组CWWS评分的分布不全相同,差异具有统计学意义(H= 14.468, P=0.002)。
久坐组CWWS评分中位数为4.12 (n=7),低体力活动组CWWS评分中位数为5.50 (n=9),中度体力活动组CWWS评分中位数为7.10 (n=8),高体力活动组CWWS评分中位数为7.47 (n=7),总的CWWS评分中位数为5.97 (n=31)。
采用Bonferroni法校正显著性水平的事后两两比较发现,CWWS评分的分布在久坐组和中度体力活动组(调整后P=0.008)、久坐组和高体力活动组(调整后P=0.005)的差异有统计学意义,其它组之间的差异无统计学意义。
2. 各组CWWS评分的分布形状不一致时
比较不同体力活动组中CWWS评分的分布差异,采用Kruskal-Wallis H检验。根据直方图判断各组中CWWS评分分布的形状不一致。各组CWWS评分的分布不全相同,差异具有统计学意义(H= 14.468, P=0.002)。
久坐组CWWS评分平均秩次为6.00 (n=7),低体力活动组CWWS评分平均秩次为14.44 (n=9),中度体力活动组CWWS评分平均秩次为21.13 (n=8),高体力活动组CWWS评分平均秩次为22.14 (n=7)。
采用Bonferroni法校正显著性水平的事后两两比较发现,CWWS评分的分布在久坐组和中度体力活动组 (调整后P=0.008)、久坐组和高体力活动组 (调整后P=0.005) 的差异有统计学意义,其它组之间的差异无统计学意义。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据驱动营销革命:解析数据分析在网络营销中的核心作用 在数字经济蓬勃发展的当下,网络营销已成为企业触达消费者 ...
2025-06-23随机森林模型与 OPLS-DA 的优缺点深度剖析 在数据分析与机器学习领域,随机森林模型与 OPLS-DA(正交偏最小二乘法判 ...
2025-06-23CDA 一级:开启数据分析师职业大门的钥匙 在数字化浪潮席卷全球的今天,数据已成为企业发展和决策的核心驱动力,数据分析师 ...
2025-06-23透视表内计算两个字段乘积的实用指南 在数据处理与分析的过程中,透视表凭借其强大的数据汇总和整理能力,成为了众多数据工 ...
2025-06-20CDA 一级考试备考时长全解析,助你高效备考 CDA(Certified Data Analyst)一级认证考试,作为数据分析师领域的重要资格认证, ...
2025-06-20统计学模型:解锁数据背后的规律与奥秘 在数据驱动决策的时代,统计学模型作为挖掘数据价值的核心工具,发挥着至关重要的作 ...
2025-06-20Logic 模型特征与选择应用:构建项目规划与评估的逻辑框架 在项目管理、政策制定以及社会服务等领域,Logic 模型(逻辑模型 ...
2025-06-19SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的利器 在数据分析的众多方法中,Mann-Kendall(MK)检验凭借其对数据分 ...
2025-06-19CDA 数据分析能力与 AI 的一体化发展关系:重塑数据驱动未来 在数字化浪潮奔涌的当下,数据已然成为企业乃至整个社会发展进 ...
2025-06-19CDA 干货分享:统计学的应用 在数据驱动业务发展的时代浪潮中,统计学作为数据分析的核心基石,发挥着无可替代的关键作用。 ...
2025-06-18CDA 精益业务数据分析:解锁企业增长新密码 在数字化浪潮席卷全球的当下,数据已然成为企业最具价值的资产之一。如何精准地 ...
2025-06-18CDA 培训:开启数据分析师职业大门的钥匙 在大数据时代,数据分析师已成为各行业竞相争夺的关键人才。CDA(Certified Data ...
2025-06-18CDA 人才招聘市场分析:机遇与挑战并存 在数字化浪潮席卷各行业的当下,数据分析能力成为企业发展的核心竞争力之一,持有 C ...
2025-06-17CDA金融大数据案例分析:驱动行业变革的实践与启示 在金融行业加速数字化转型的当下,大数据技术已成为金融机构提升 ...
2025-06-17CDA干货:SPSS交叉列联表分析规范与应用指南 一、交叉列联表的基本概念 交叉列联表(Cross-tabulation)是一种用于展示两个或多 ...
2025-06-17TMT行业内审内控咨询顾问 1-2万 上班地址:朝阳门北大街8号富华大厦A座9层 岗位描述 1、为客户提供高质量的 ...
2025-06-16一文读懂 CDA 数据分析师证书考试全攻略 在数据行业蓬勃发展的今天,CDA 数据分析师证书成为众多从业者和求职者提升竞争力的重要 ...
2025-06-16数据分析师:数字时代的商业解码者 在数字经济蓬勃发展的今天,数据已成为企业乃至整个社会最宝贵的资产之一。无论是 ...
2025-06-16解锁数据分析师证书:开启数字化职业新篇 在数字化浪潮汹涌的当下,数据已成为驱动企业前行的关键要素。从市场趋势研判、用 ...
2025-06-16CDA 数据分析师证书含金量几何?一文为你讲清楚 在当今数字化时代,数据成为了企业决策和发展的重要依据。数据分析师这一职业 ...
2025-06-13