关键词：SPSS 差异分析
在医学统计中，最多用到的就是差异分析。不同的变量类型，使用不同的统计学方法来进行统计分析，SPSS中的操作方法也不同。本期我们来详细教大家如何在SPSS中对数据进行差异分析。本期课程分为四个部分：比较均值、T检验、独立样本T检验、配对原本T检验！
进行差异分析，首先要确定研究变量也就是因变量的数据类型。通常会分类两大类：一类是连续数值型变量，也叫做连续变量，例如身高、年龄等；另一类为分类变量，例如性别、血型、学历等。对于连续变量的差异性分析，首先，我们要检验连续变量是否符合正态分布。对于符合正态性分布的变量，要采用参数类的统计分析方法；对于不符合正态性分布的，要采用非参数检验方法。本期教程中所讲解4个方法的均为参数类检验方法，关于非参数类检验方法，会在以后的课程中详细讲解，敬请关注！
我们将会在我们的订阅号【杏花开生物医药统计】中，每天更新更多的SPSS使用技巧和案例教程，请大家关注哦！
杏花开生物医药统计
长按二维码识别关注我们
微信公众号 xhkdata
我们搜集了31例患者的相关数据，要计算出不同性别的骨头高度的均值（图1），这里已经检验过骨头高度是服从正态性分布的，关于如何检验正态性分布，在我们的订阅号【杏花开生物医药统计】有详细的讲解，如果有还没学到的朋友，可以去查阅哦。
这里值得注意的是，在之前的课程中，我们曾讲到过在“分析”--“描述性分析”（图2）中同样可以计算均值，与下面要讲解的参数类分析中的比较平均值有何不同呢？他们的区别在于：前者只能分析整个变量的均值，而后者（图3）可以按不同分组分类来计算每一个分组或分类的均值。
下面就来具体讲解如何分析不同性别的患者的骨头高度的均值：
SPSS中的操作步骤
①点击“分析”--“比较平均值”--“平均值”（图4）
②将“骨头高度”选入因变量列表，将“性别”选入自变量列表，也叫分组变量列表（图5）
③点击右侧“选项”，勾选“最小值”、“最大值”、两个指标，并勾选下方的“Anova表”，线性相关度检验（图6）后，点击继续--确定。
④结果分析
由上表（图7）可以看出：男性的骨头高度均值为49.2813，女性的为45.5257，可以看出男性略微高出女性，但差异是否有统计学意义，还需要进一步看下面的结果：
由上表（图8）可以看出：ANOVA表中显著性水平为0.141>0.05说明男性和女性的骨头高度的差异不具有统计学意义。且Eta系数为0.27，Eta方0.073均为很小，进一步说明性别与骨头高度相关性不显著。
我们搜集了31例患者的相关数据，要计算出全部样本的骨头高度均值与既定检验值40mm之间是否存在显著的差异（图1）
单样本T检验在SPSS中的操作步骤：
①点击“分析”--“比较平均值”--“单样本t检验”（图2）
②将“骨头高度”选入右侧“检验变量”框内（图3）
③在下方“检验值”内填入我们的既定比较标准，也就是检验值“40mm”（图4），点击确定
④结果分析
由上表（图5）看出：31个样本的骨头高度均值为46.49mm，标准差为6.18mm，这些均为一般描述性结果。
由上表（图6）可以看出：本次的31个样本的骨头密度的均值与检验值40mm之间的t检验值为5.851，显著性水平P<0.05，那么单样本t检验的原假设H0：“即本次检验的31个样本的骨头密度的均值与40mm之间不存在显著差异”发生的概率为0%，因此我们需要拒绝原假设H0，接受备选假设H1：“31个样本的骨头密度的均值与40mm之间存在显著差异”。
值得注意的是：这里的骨头高度数据同样需要服从正态性分布，关于如何进行检验正态性，大家可以查阅我们的订阅号【杏花开生物医药统计】中的相关课程。
当我们要进行2类样本或者2组样本的比较的时候，就需要用到独立样本 T检验。
但是需要注意的是，这里需要这两类样本之间相互独立，而不能是相互相关，比如男性和女性，相互独立的。下面我们通过实际案例数据来详细讲解独立样本T检验的操作步骤及结果解读。
我们搜集了31例患者的相关数据，我们要比较不同性别分组的身高的差异（图1）
SPSS进行独立样本T检验操作步骤：
①点击“分析”--“比较平均值”--“独立样本t检验”（图2）
②将身高选入右侧检验变量，将性别选入分组变量（图3）
③点击“定义组”，设置性别的分组编码（图4），然后点击确定进行运算。
④结果分析
由上表(图5)看出：一般描述统计表给出男性8个，女性22个，平均身高分别为167.88和163.36。而这两者之间是否存在显著的差异还要进一步看下面的结果：
关于独立样本T检验，和单样本T检验的输出结果不同，独立样本T检验基于2种不同的假设会有2种结果。
基于来莱文方差等同性检验，如果方差齐，就选择第一行的T检验结果，如果方差不齐则接受第二行的T检验结果。这里判定方差齐性的标准为莱文方差等同性检验的显著性，基于本例为0.005<0.05，意味着原假设方差齐不成立，接受备选假设方差不齐。因此这里的T检验结果为：T=2.662，P=0.026<0.05。
基于以上分析得出：不同性别的身高均值存在显著的差异，结合均值得出，男性身高均值显著高于女性。
需要注意的是，这里的被检验变量年龄同样需要服从正态分布，关于如何检验正态性，可以查阅我们的订阅号【杏花开生物医药统计】中的相关教程。
实际研究中，有时候会遇到存在相互有关联的两组样本：例如某个指标干预前和干预后的两组值，此类样本属于自身配对样本；又例如2只特性完全一样的小鼠（性别，体重，身长等都一致），然后对其进行某种干预后，测得的不同数据配对，此类样本属于同源配对样本。
下面就通过实际案例来讲解配对样本T检验中的自身配对：
我们搜集了31例样本分别在T10时点和T20时点的数据，想比较他们之间是否存在显著的差异（图1）
SPSS配对样本T检验步骤
①点击“分析”--“比较平均值”--“成对样本T检验”（图2）
②分别将T10和T20选入右侧的配对变量框内（图3），然后点击确定，进行计算:
③SPSS输出结果分析
由上表(图4)看出：T10时点和T20时点的均值分别为24.6084和17.1139，此为描述性分析，不做过多赘述。
由上表（图5）可以看出：本次配对t检验的T值为16.963，P<0.05。而原假设H0为H10和H20之间不存在显著的差异，基于原假设H0发生的概率P=0.00，因此我们要拒绝原假设，接受备选假设H1，T10和T20之间存在显著的差异。
再结合图4中的均值，可以得出结论T10显著大于T20。
由上表（图6）看出：注意！这张表的结果十分重要，相当于配对T检验的假定前提条件。由于我们做的是配对样本，2组样本是成对出现，也就是说他们之间理应存在着显著的相关关系。基于这样一个前提，才适用于配对样本T检验，如果2组样本之间的相关关系不显著，那么则不适用于配对样本T检验，则必须使用独立样本T检验。
基于本例，我们得到的结果为相关关系显著，P<0.05。从而得出本例适用于配对样本T检验。
本期课程就到这里，我们将每周推出更多、更实用的医学统计教程，提供医学统计相关服务。涵盖SPSS、Meta、GraphPad、SAS、R等，欢迎大家关注！感谢大家的观看，下期再见！
杏花开医学统计客服
QQ(微信同号) 3301888200
杏花开医学统计
联系客服
