SPSS詳細(xì)操作：碰見有序分類資料，怎么辦

經(jīng)常聽到有小伙伴剛學(xué)了武林秘籍之卡方檢驗(yàn)，只要碰到分類資料就一通亂打，雖說有時(shí)候能贏幾場，但是也有被打的鼻青臉腫的，還自言自語的說，招數(shù)沒毛病呀?。渴聦?shí)上毛病大了去了，與人過招，知己知彼，見招拆招，方能克敵制勝！所以我們先來捋捋分類資料的分析。

常見的分類資料可以分成四類：

老大，雙向無序分類，特點(diǎn)是分組變量和結(jié)局變量均為無序多分類（或二分類），例如比較漢族、回族和蒙古族ABO血型分布有無差別；

老二，單向有序分類，分組變量或結(jié)局變量為有序變量，例如比較35-、45-、55-、65-歲組血脂異常的患病率有無差別，或者比較A和B兩種藥物對(duì)于疾病預(yù)后 （痊愈、顯著改善、進(jìn)步、無效）有無差異；

老三，雙向有序?qū)傩圆煌姆诸?，這里既強(qiáng)調(diào)行變量和列變量均為有序分類資料，并且屬性不相同（行列變量不一致），例如觀察年齡對(duì)疾病預(yù)后有無影響（35-、45-、55-、65-歲組 vs 痊愈、顯著改善、進(jìn)步、無效）；

老四，雙向有序?qū)傩韵嗤姆诸悾凶兞亢土凶兞烤鶠橛行蚍诸愘Y料，并且屬性相同（行列變量一致），例如A和B兩種方法對(duì)某種免疫物質(zhì)的檢出情況（--/-/+/++）。

（注：上文提到的“屬性”，我們后期會(huì)專門推送一篇文章來講解~）

針對(duì)雙向無序分類和雙向有序?qū)傩韵嗤姆诸愘Y料的分析方法，前面幾期有詳細(xì)介紹，還沒看過的小伙伴戳SPSS詳細(xì)操作：多個(gè)獨(dú)立樣本列聯(lián)表的卡方檢驗(yàn)/SPSS詳細(xì)操作：一致性檢驗(yàn)和配對(duì)卡方檢驗(yàn)。這次我們一塊兒搞定單向有序分類和雙向有序?qū)傩圆煌姆诸愘Y料的SPSS操作。

一、單向有序分類

血脂異常的患病率隨著年齡增加而增加嗎？

某研究小白在利用某項(xiàng)調(diào)查數(shù)據(jù)分析時(shí)，想研究一下年齡與血脂異常之間的關(guān)系，想起了之前學(xué)過的多個(gè)獨(dú)立樣本的卡方檢驗(yàn)SPSS操作，于是照貓畫虎，分析了一下手里的數(shù)據(jù)。

Analyze→ Descriptive Statistics→ Crosstabs: Row(Age); Column(Dyslipidemia)→Statistics: Chi-square; Continue→ Cells: Percentages(勾選Row); Continue→ OK

看到分析結(jié)果，尤其是P=0.003，小白立刻眼睛冒光，馬上超級(jí)自信地下了結(jié)論：經(jīng)獨(dú)立樣本卡方檢驗(yàn)，血脂異常的患病率隨著年齡增加而增加(P=0.003)，但是剛說完心里又犯嘀咕，想起之前學(xué)的獨(dú)立樣本卡方檢驗(yàn)，好像這里只能說明不同年齡組之間血脂異常患病率有統(tǒng)計(jì)學(xué)差異。嗯，沒錯(cuò)！這里如果只看Pearson Chi-Square的結(jié)果，會(huì)忽略年齡分組為有序變量這個(gè)信息點(diǎn)，損失了信息，所以這里更好的是看Linear-by-Linear Association的結(jié)果。

提到趨勢性卡方檢驗(yàn)，想必大家并不陌生，主要用來明確分類變量之間的線性趨勢，比如這里的“血脂異常的患病率隨著年齡增加而增加”。趨勢性卡方檢驗(yàn)最常用的方法是Cochran-Armitage trend test，很遺憾SPSS并沒有提供這種方法，而是另一種方法Linear-by-Linear Association，兩個(gè)結(jié)果相近，所以大家也可以放心使用。

聽到這里，研究小白馬上修改了結(jié)論：經(jīng)趨勢性卡方檢驗(yàn)，血脂異常的患病率隨著年齡增加而增加（P<0.001）。

拓展一下，相信不少小伙伴會(huì)想起Spearman秩相關(guān)，感覺這里好像也可以用Spearman秩相關(guān)來分析年齡組和血脂異常的關(guān)系。事實(shí)上，也是可以滴！但是趨勢性卡方檢驗(yàn)和Spearman秩相關(guān)有些不同。

Analyze →Correlate →Bivariate →Variables: Age, Dyslipidemia; Correlation Coefficients: Spearman(勾選)→OK

首先，嚴(yán)格地講，做趨勢性卡方檢驗(yàn)時(shí)，需要對(duì)分組變量和結(jié)局變量進(jìn)行評(píng)分賦值，連續(xù)變量取組中值為等級(jí)評(píng)分；如果是等級(jí)資料，給以順序性的評(píng)分，如1、2、3……；分類資料，陽性或患病等為1，陰性或不患病等為0。這里就涉及到一個(gè)問題，對(duì)于Spearman秩相關(guān)是基于變量秩次進(jìn)行相關(guān)分析的，比如說上面的例子，如果去掉55-歲組，趨勢性卡方檢驗(yàn)中變量評(píng)分為1、2、4，而Spearman秩相關(guān)是1、2、3，這就反映兩種分析方法的利用信息能力不一樣。

其次，兩種方法的檢驗(yàn)效能不同，趨勢性卡方檢驗(yàn)屬于參數(shù)檢驗(yàn)，當(dāng)我們假定存在線性趨勢時(shí)，檢驗(yàn)效能更高；而Spearman秩相關(guān)計(jì)算變量秩次，損失了信息，相同條件下，檢驗(yàn)效能較低，比如這里Spearman秩相關(guān)P=0.001，趨勢性卡方檢驗(yàn)P<0.001。

最后，兩者得到的結(jié)論也有所不同，趨勢性卡方檢驗(yàn)可以直接得出“血脂異常的患病率隨著年齡增加而增加”，而Spearman秩相關(guān)因?yàn)槭褂米兞恐却畏治?，所以?yán)格地講，它反映的是兩個(gè)分類變量秩次有相關(guān)，因?yàn)闆]有考慮變量的具體取值，更多是一種相對(duì)穩(wěn)定的相關(guān)關(guān)系。

二、雙向有序?qū)傩圆煌姆诸?

干活兒越重骨質(zhì)退行越重？

有一項(xiàng)旨在探討骨質(zhì)退行性變是否與勞動(dòng)強(qiáng)度有關(guān)，觀察150名研究對(duì)象。勞動(dòng)強(qiáng)度分為輕、中、重度，骨質(zhì)退行性變?yōu)?、3、4度，兩個(gè)變量都屬于等級(jí)變量，但是屬性不同。

對(duì)于雙向有序?qū)傩圆煌馁Y料，有的小伙伴就說啦，可以用Spearman秩相關(guān)嘛，有些小伙伴就要很疑惑，為什么不可以用卡方檢驗(yàn)?zāi)兀?

這里和大家一塊兒掰扯掰扯。對(duì)于等級(jí)資料相關(guān)分析，Spearman秩相關(guān)也是可以計(jì)算滴，但問題關(guān)鍵是，在做秩相關(guān)時(shí)，需要對(duì)原始數(shù)據(jù)進(jìn)行編秩次，因?yàn)槭堑燃?jí)資料，所以會(huì)產(chǎn)生大量秩次相等的平均秩次，進(jìn)而低估了變量之間的關(guān)聯(lián)系數(shù)。

如果是獨(dú)立樣本的卡方檢驗(yàn)?zāi)?？那就錯(cuò)的比較離譜一些！卡方檢驗(yàn)的核心是列聯(lián)表中每一個(gè)格子中的理論頻數(shù)和實(shí)際觀測頻數(shù)偏離程度，行和列的位置是不重要的（比如你可以把行列互換，或者把第一行和第二行互換），結(jié)果都是一樣的。問題就來了，這樣就損失了變量“有序”——這個(gè)非常關(guān)鍵的信息點(diǎn)，比如這里例子，我們想知道是不是勞動(dòng)強(qiáng)度越重，骨質(zhì)退行越重。

有小伙伴要著急了，這也不行，那也不行，到底要咋整？給大家?guī)碇亓考?jí)武器——Goodman-Kruskal Gamma方法（簡稱Gamma法）。Gamma法主要用于有序分類資料的關(guān)聯(lián)性分析，并且計(jì)算Gamma系數(shù)（類似于Spearman秩相關(guān)rs）。

Gamma系數(shù)取值在-1到1之間，G=0表示兩個(gè)變量不相關(guān)，G>0表示兩個(gè)變量正相關(guān)，G<0表示兩個(gè)變量負(fù)相關(guān)；G的絕對(duì)值越接近1，表示兩個(gè)變量的關(guān)聯(lián)強(qiáng)度越大，越接近0，關(guān)聯(lián)程度越小。

下面一起看看SPSS怎么進(jìn)行Gamma。

Analyze →Descriptive Statistics →Crosstabs: Row(勞動(dòng)強(qiáng)度); Column(骨退變)→Statistics: Gamma; Continue →OK

上面的結(jié)果顯示：G=0.244，P=0.025<0.05，勞動(dòng)強(qiáng)度與骨退變之間互相關(guān)聯(lián)，即隨著勞動(dòng)強(qiáng)度增加，骨質(zhì)退行越重，關(guān)聯(lián)系數(shù)為0.244。

再看看Spearman秩相關(guān)的結(jié)果。

Analyze →Correlate →Bivariate →Variables: 勞動(dòng)強(qiáng)度，骨退變; Correlation Coefficients: Spearman(勾選)→OK

可以看到Spearman秩相關(guān)系數(shù)rs=0.183，小于G（0.244），低估了變量之間的關(guān)聯(lián)強(qiáng)度。