你知道分類資料的統計分析技巧有哪些嗎?你知道什麼是分類資料的統計分析嗎?下面是本站小編為大家帶來的關於分類資料的統計分析技巧的知識，歡迎閱讀。
分類資料的統計分析
1. 樣本資料與總體比較
1)二分類資料：
(1)小樣本資料：用二項分佈進行確切概率法檢驗;
(2)大樣本資料：用U檢驗;
2)多分類資料：用Pearson檢驗(又稱擬合優度檢驗)。
2. 四格表(2×2表)資料
1)完全隨機設計的四格表資料的分析
(1)當樣本量n>40，並且4個格子理論數均大於5時，則用Pearson 檢驗;
(2)當樣本量n>40，並且4個格子理論數均大於1且至少存在一個格子的理論數<5時，則用校正檢驗或用Fisher’s精確概率法檢驗;
(3)當樣本量n£40或存在任一格子理論數<1，則用精確概率法檢驗;
2)配對設計的四格表資料的分析
(1)b+c≥40，則用McNemar配對檢驗;
(2)b+c<40，則用二項分佈確切概率法檢驗;
3. 2×C表或R×2表資料的統計分析
1)列變數為效應指標，並且為有序多分類變數，行變數為分組變數，則可以採用行平均得分差(Row Mean Scores Differ)的CMH 或成組的Wilcoxon秩和檢驗;
2)列變數為效應指標並且為二分類，行變數為有序多分類變數，則可採用普通的Pearson 檢驗比較各組之間有無差別，如果總的來說有差別，還可進一步作兩兩比較，以說明是否任意兩組之間的差別都有統計學意義。
3)行變數和列變數均為無序分類變數：
(1)當樣本量n>40，並且理論數小於5的格子數少於行列表中格子總數的25%，則用Pearson 檢驗;
(2)當樣本量n£40，或理論數小於5的格子數多於行列表中格子總數的25%，則用Fisher’s確切概率法檢驗;
4. R×C表資料的統計分析
1)完全隨機設計的R×C表資料的統計分析
(1)列變數為效應指標，並且為有序多分類變數，行變數為分組變數，則CMH 或Kruskal Wallis的秩和檢驗;
(2)列變數為效應指標，並且為無序多分類變數，行變數為有序多分類變數，則採用普通的Pearson 檢驗比較各組之間有無差別，如果總的來說有差別，還可進一步作兩兩比較，以說明是否任意兩組之間的差別都有統計學意義;
(3)列變數和行變數均為有序多分類變數，可以作Spearman相關分析或者非零相關(none zero correlation)的CMH ;
(4)列變數和行變數均為無序多分類變數：
i. 當樣本量n>40並且理論數小於5的格子數少於行列表中格子總數的25%，則用Pearson 檢驗進行分析;
ii. 當樣本量n£40或理論數小於5的格子數多於行列表中格子總數的`25%，則用Fisher’s 確切概率法檢驗;
2)配對設計的C×C表資料：
(1)配對比較：用McNemar配對檢驗;
(2)一致性檢驗(Agreement)：用Kappa檢驗;
Poisson分佈資料
1. 單樣本資料與總體比較：
1)當觀察值較小時：可以用確切概率法進行檢驗。
2) 當觀察值較大時：可以用正態近似的U檢驗。
2. 兩個樣本資料的比較：可以用正態近似的U檢驗。
兩個變數之間的關聯性分析
1. 兩個變數均為連續型變數
1)當兩變數為小樣本並且兩個變數服從雙常態分佈時，可以用Pearson相關係數來衡量兩個變數之間的關聯性;
2)當兩變數為大樣本或兩個變數不服從雙常態分佈，則用Spearman相關係數來衡量兩個變數之間的關聯性;
2. 如果兩個變數均為有序分類變數，可以用Spearman相關係數來衡量兩個變數之間的關聯性;
3. 如果一個變數為有序分類變數，另一個變數為連續型變數，可以用Spearman相關係數來衡量兩個變數之間的關聯性。