如何用SPSS计算t和P值,我做的是问卷调查,诸如年龄、性别、收入、受教育程度对支付意愿(WTP)的影响

如何用SPSS计算t和P值,我做的是问卷调查,诸如年龄、性别、收入、受教育程度对支付意愿(WTP)的影响,第1张

设2个变量,一个WTP,一个受教育程度。WTP输入你的所有样本数据,小学在受教育程度输入1,初中输入2,高中输入3。
打开分析——比较均值——单样本T检验,将变量WTP选入检验变量,然后点确定。
我没有英文版SPSS,步骤应该是一样的。你试下,如果还有疑问可以Hi我。

卡方检验即可
卡方检验
你的数据应该用交叉列联表做,数据录入格式为:建立两个变量,变量1是组别,
正常对照组用数据1表示,病例组用数据2表示;变量2是疗效等分类变量,用1表示分类属性1,用2表示分类属性2,
还有一个变量3是权重,例数
数据录入完成后,先加权频数后点analyze-descriptive statistics-crosstabs-把变量1选到rows里
,把变量2选到column里,然后点击下面的statistics,打开对话框,勾选chi-squares,
然后点continue,再点ok,出来结果的第3个表就是你要的卡方检验,第一行第一个数是卡方值,
后面是自由度,然后是P值。

SPSS实现单侧检验(one-tailed test)时,得到的P值可以从输出结果的表格中获取。以下是具体步骤:
1 运行需要进行单侧检验的SPSS数据分析;
2 在“分析结果”窗口中,找到要进行t检验或z检验的统计指标;
3 找到该指标的单侧检验输出结果表格,通常是“单侧”(one-tailed)一列;
4 找到“Sig(2-tailed)”列,将其对应单侧检验的P值记录下来即可;
5 在SPSS输出结果的表格中,部分单侧检验的P值可能被表示为一个星号,,等标志,这些标志表示P值小于等于005,001,0001等,具体根据需要进行解释。
需要注意的是,单侧检验和双侧检验得到的P值有所不同,进行单侧检验时应当确认检验方向并相应地查找输出中的单侧检验P值。

SPSS是分析原始数据的,这里已经给出了平均数和标准差,就不需要用SPSS了,直接用T的计算公式,这个公式在很多统计学的书上都有,可以找来看看。至于显著性水平,上面已经给出来了,一颗星表示显著,两颗星表示非常显著。

(1)OR值的定义

计算OR值(比值比),可以确定两组结果发生的比较风险。当使用logistic回归对二元因变量建模时,有时会通过OR值对结果进行解释。

(2) *** 作步骤

Logistic回归中,自动会输出OR值及95%置信区间。如果想单独计算两组数据的OR值、及其置信区间和p值,可使用医学研究--OR值。

例如,以吸烟者和罹患肺癌的风险为例。暴露组(吸烟者)中有20人患上肺癌(阳性),80人没有患上肺癌(阴性);而非暴露组(非吸烟者)中,有5人患上肺癌,95人没有患上肺癌。

现希望分析暴露与疾病风险程度的关系(OR值),并且可查看发病率比例情况(RR值)。

①选择医学研究--OR值。

②在下面的文本框中输入数据,然后单击“开始分析”按钮即可。

本例子中暴露组中阳性(患病)的数量为20,暴露组中阴性(未患病)的数量是80;非暴露组中阴性(患病)的数量为5,非暴露组中阳性(未患病)的数量是95。置信水平默认为95%。

(3)结果解读

输出结果如下:

结果显示,吸烟者患癌症的风险是非吸烟者患癌症风险的475倍。

与非吸烟者相比,吸烟者的发病率是非吸烟者发病率的4倍。

卡方检验
你的数据应该用交叉列联表做,数据录入格式为:建立两个变量,变量1是组别,
正常对照组用数据1表示,病例组用数据2表示;变量2是疗效等分类变量,用1表示分类属性1,用2表示分类属性2,
还有一个变量3是权重,例数
数据录入完成后,先加权频数后点analyze-descriptive statistics-crosstabs-把变量1选到rows里
,把变量2选到column里,然后点击下面的statistics,打开对话框,勾选chi-squares,
然后点continue,再点ok,出来结果的第3个表就是你要的卡方检验,第一行第一个数是卡方值,
后面是自由度,然后是P值。

给你举个例子吧
22的表格
那么你就把第一个变量分为1,2两个。第二个变量也分为1,2两个。
然后把人数或者其他的它们对应的数字输入到spss第三列,然后把数字加权。22的表格就有四种方式。注意数据不要输错,要一一对应。
然后点analyze--descriptive statistics——crosstabs——把变量点入,同时在statistics选项中点correlation,然后点ok。
因为我不会上传,没法发,如果还不懂,我再详细的和你说。。。做这个最主要的是数据要对应的输进去。。。


欢迎分享,转载请注明来源:内存溢出

原文地址: https://outofmemory.cn/yw/10250472.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-05-06
下一篇 2023-05-06

发表评论

登录后才能评论

评论列表(0条)

保存