双向无序的列联表分析的SPSS操作教程及结果解读---孙医生工作室带你学统计学（挑战SCI）第23天

双向无序列联表是指行变量和列变量均为无序分类变量，统计方法和一般四格表卡方检验一致。是针对行变量和列变量是大于2个分组的无序分类变量进行相关性分析的方法。

RC列联表主要涉及到两类变量：行变量，列变量。其次还要明白这些行变量与列变量的属性，当计量资料的行变量与列变量均为无序变量时，我们称之为双向无序的RC列联表，可采用卡方检验进行分析。

这里提到了分类变量的属性，如何判断变量的属性呢？我们生活中接触到的分类变量主要有两类，有序变量和无序变量。举个例子，有序分类变量，药物治疗的效果：无效，有效，显效，痊愈；年龄的分类：<18岁，18-40岁，>40岁；成绩的分类：优秀，良好，合格，不合格。无序分类变量，比如性别：男，女；国籍：中国，俄罗斯，美国。

分析示例

某省随机抽查了1043 位居民的ABO血型和MN 血型，问两种血型的 构成比有无差别(或两种血型有无关联性)?

研究假设

H₀：两种血型系统分布无差别。 

H₁：两种血型系统分布有差别。 

α=0.05

数据录入

1. 变量视图

名称 x1 标签 ABO血型 

名称 x2 标签 MN血型  

名称 weight 标签 权重

2.数据视图

注意该数据视图和R×C 表的差别

操作流程

1. 下图是对数据的预定义，在数据(D) 下拉菜单框中完成，即设置权重变量，该操作是对 R×C表运算的基本操作。

2. 以下展示的是R×C表的基础对话框，关键在于设定行与列的变量。在此，行变量多为分组标识，列变量则是结果展现。此例中，两者可自由设定，仅左右结果排列，对统计实质无影响，故行、列变量可随心所欲地指定。

3. 下图是对话框选用统计量，本次选用卡方检验(Chi-square), 该检验用于判断行、列变量是否独立，如果数据不满足卡方检验的要求(不能有单元格的期望值<1,不能有20%以上 单元格的期望值<5),系统会在分析结果中给出提示。

4 .下图中各项是列联表单元格中的描述性指标，观察值(observed) 指原始数据，期望值 (expected) 指统计过程中的理论数， 一般用处不大。各种百分比，如行百分比(Row)、列百分比(Column)及合计百分比(Total)这是R×C 表中重要的统计描述内容。

结果解释

1.下表是处理记录缺失值情况报告，可见1043例均为有效值。

2.以下表格呈现了各类百分比结果，关键在于理解百分数的构成——分子与分母。分子即各单元格的观测数值，易于确定；分母则需依据特定的100%基准，包括横向总计、纵向合计及总数总计。根据实际需求选择基准，本例中百分比仅供参考，无需作为统计描述的重点。

3.R×C  表卡方检验一般看首行 Pearson卡方值，但是若1/5以上的格子理论频数<5,或有一个理论频数<1,则可采用似然比卡方的结果。本例当中0单元格的期望计数(理论频 数)<5,最小期望计数(最小理论频数)为13.56,因此采用Pearson卡方值29.925,P<0.01,说明两种血型系统分布不同。

注意事项

1. 卡方检验的两两比较：若总体数据呈现差异，我们可通过调整消耗函数（即对a系数进行优化），进而实施多组间的细致对比，即两两比较。

2. 卡方的精确分割：面对R×C表格中频数繁多的细小单元格，我们应借助专业知识，对表格内容进行合理整合。具体而言，就是将原本过于细分的列联表的列或行进行合并，以更清晰地展现两个变量间的关联。合并时，需遵循相邻且无显著差异的列或行合并原则，并确保合并具有专业意义。同时，各子表的自由度总和应与总表一致，且各子表的卡方值之和也应等于总表的卡方值。