资源描述：
《crosstabs 列联分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、1、crosstabs列联分析——相关分析在问卷调查、产品检验、医学统计等领域，长需对问题按两个或多个不同的特征进行分类，然后对样本进行交叉汇总后就得到了各种各样的列联表。一般对列联表的统计分析只着重于分类特征之间是否相互依赖，或者说相互独立，此时可借助卡方检验，也可计算相关系数做相关分析，还可根据不同数据类型给出相应的关联系数。卡方检验是统计判断是否相互依赖，计算相关系数和关联系数是判断和衡量相关或依赖关系的倾向和程度。不同数据类型间的相关系数或关联系数合理选择列于下表：Xy区间或比率变量顺序变量名
2、义变量区间或比率变量Pearson积差相关系数Spearman等级相关系数Eta系数顺序变量Spearman等级相关系数Gammaγ系数Somer’sd系数Kendall和谐系数Kendallτ系数卡方值名义变量Pearson卡方值列联系数ψ相关系数Gramer’sV系数对称λ系数关于卡方检验、相关系数或关联系数的细节介绍可参考：列联表分析及在SPSS中的实现pdf文件和相关分析案例PPT文件。SPSS中Crosstabs工具执行列联分析，其选项中Statistics如下图所示：上图指出：名义变量间、
3、顺序变量间、名义变量和区间变量间可选的关联系数，可参考上面表理解。对上图，Spss的帮助文件解释如下：Chi-square.对2x2的列联表,选Chi-square来计算Pearson卡方值,似然比卡方值,Fisher's精确检验,andYates'修正后卡方值(连续修正).对2x2列联表,当表中有一个单元格的期望频率少于5时，进行Fisher's修正检验，其他情况计算Yates'修正卡方值。对那些有任意数目的行和列的表，选择Chi-square计算Pearson卡方值和似然比卡方值。当表的变量是数量
4、型的，Chi-square执行线线关联检验。.Correlations.当表的行列中的值都是可排序的，Correlations计算Spearman's修正系数,rho(仅对数字数据).Spearman'srho是变量秩序间的关联测度.当变量都是数量型的,Correlations计算Pearson相关系数,r,测度变量间线性相关系数。Nominal.对名义数据,选择Phi(coefficient)、Cramér'sV,Contingencycoefficient,Lambda(symmetricanda
5、symmetriclambdasandGoodmanandKruskal'stau),andUncertaintycoefficient.Ordinal.对行列都包含的是顺序值的表,选Gamma(zero-orderfor2-waytablesandconditionalfor3-wayto10-waytables),Kendall'stau-b,andKendall'stau-c.对从行分类预测列分类选Somers'd.NominalbyInterval.当一个变量是定类的，另一个是数量型的选Eta
6、.分类变量必须用数字编码.Kappa.对行列有同样分类的表，(例如，测度两个等级是否一致),选择Cohen'sKappa.Risk.对2X2表,对相对风险估计和胜算（oddsratio）选Risk.McNemar.McNemar检验对两个二分类变量的非参数检验.用卡方分布检验响应变化。对侦测由于实验干扰前后的响应变化是很有用的。Cochran'sandMantel-Haenszel.Cochran'sandMantel-Haenszel统计量能够用来检验二分类变量间的独立性，由控制变量定义的条件共变模
7、式，Mantel-Haenszelcommonoddsratio也被计算,同时Breslow-DayandTarone'sstatistics也被计算，用来检验commonoddsratio的同质性.2、crosstab列联表变量之间的关系——完全关系与无关在交叉表中，当自变量的类别改变时，因变量的某个给定类别变化的幅度可以是0%到100%。如果因变量每个类别的百分数差都是100，表明两个变量是完全相关（associatedperfectly）。如表1所示，如果所有个案都位于列联表的对角线单元格上，则
8、两个定序变量是完全关系。完全关系的情形有两类。首先，如果两个变量的类别都以升序排列（如低、中、高），当所有个案都落在连接左上角与右下角的对角线单元格时，则两个变量是完全正的关系。这个模式表明当自变量的值提高时，因变量的值也随之提高。第二，如表1所示，当所有个案都落在连接右上角与左下角的对角线单元格时，则两个变量是完全负的关系。这个模式表明当自变量的值提高时，因变量的值随之降低。被观察的交叉表与这两种模式越接近，则变量之间的关联越紧密。由于我们假设因变量随
