兩組樣本之間的比較 - CSDN

2021-01-21 CSDN技術社區

在生物醫藥統計分析中，經常會遇到這樣一類問題。樣本分了實驗組和對照組，而又同時進行了一種幹預手段，在幹預前和幹預後進行了分別測量數據。這時候既要考慮實驗組和對照組之間的比較，又要考慮幹預前和幹預後的對照比較。今天我們就來詳細講解如何用SPSS處理這類數據。

實驗設計與假設

幹預實驗的設計，將一批樣本分成實驗和對照兩組，幹預前對兩組分別進行測量一次，然後對實驗組進行幹預，幹預後經過一段時間，再分別對兩組進行一次測量。

假設驗證：幹預效果明顯

對於兩個組之間的比較，幹預前，兩組無差異，具有可比性；幹預後，實驗組要明顯好於對照組。

而對於兩個組內的比較，對照組幹預前後無差異，實驗組幹預後顯著好於幹預前。

下面通過實際案例來詳細講解使用SPSS分析兩組樣本的組內和組間差異，先看案例數據，以下為40位樣本分兩組，幹預前和幹預後臥推的數據。

(圖1)

·SPSS比較幹預前後組內和組件的差異具體操作步驟：

組間的差異分析

組間差異主要比較實驗組和對照組之間的差異，分幹預前和幹預後兩個階段，注意這裡分組變量為組別，被比較的變量為前測，後測數據。這裡為了確切的說明實驗組效果明顯，還需要比較兩組幹預前後的差值。具體操作如下：

①先通過計算變量，算出兩組的幹預前後的差值D值。操作見圖2，圖3

(圖2)

(圖3)

②然後比較幹預前、幹預後、幹預前後D值3個指標在實驗組和對照組上的差異，點擊「分析」--「比較平均值」--「獨立樣本t檢驗」，如圖四

(圖4)

③在彈出的對話框中，將幹預前、幹預後、幹預前後D值3個指標選入檢驗變量框，將組別選入分組變量框，並設置好分組編號。點擊確定計算結果。

(圖5)

④分析結果

(圖6)

由上表可以看出：幹預前，兩組無顯著差異，具有可比性。幹預後，實驗組顯著大於對照組(P<0.05)，且前後測差值也顯著。說明實驗組幹預後增加量顯著高於對照組。進一步說明幹預效果明顯。

組內的差異分析

組內差異主要比較實驗組和對照組內幹預前和幹預後的對照比較，這裡不再是比較兩組的差異，而是比較同一個組別內，前測和後測的差異，前測和後測成對比較，這裡就需要使用配對樣本t檢驗了。具體操作如下：

①首先為了要分別計算實驗組和對照組的組內差異，需要將數據按兩組拆分，才能分別計算兩組的數據。點擊「數據」--「拆分文件...」，在彈出的對話框中，勾選「比較組」拆分標準。然後將左側組別選入右側框中。

(圖7)

(圖8)

②點擊「分析」--「比較平均值」--「成對樣本t檢驗」，

(圖9)

③在彈出的對話框中，將幹預前和幹預後一併選入右側配對變量框中，可以看到變量1和變量2配成對後，點擊確定

(圖10)

(圖11)

④分析結果

(圖12)

由上表可以看出：對照組上，後測相對於前測有略微降低，而實驗組有顯著提升。再次說明幹預效果明顯。

使用Graphpad對上述分析結果進行配圖

為了更清晰直接的展示組內和組間的差異比較，反映出幹預的明顯效果，這裡使用Graphpad進行配圖，操作步驟如下：

①打開軟體，新建一個「Group」表單。

(圖13)

②在數據視圖中輸入對應的數據值。

(圖14)

③然後在圖形視圖中，得到需要的結果，這裡我們選擇折線圖，反映幹預前後測的一個變化趨勢。(關於Graph如何具體調試圖形效果，我們在之前的Graphpad相關教程裡有詳細講解，這裡不再贅述，還沒學會的同學可以去公眾號查閱之前的教程)

(圖15)

由圖形可以清晰看出：兩組組間，幹預前兩組不存在顯著差異，幹預後實驗組顯著高於對照組，且變化量(斜率)實驗組顯著高於對照組；兩組組內，幹預後相對於幹預前，對照組略微下降，而實驗組顯著提升；總體說明了幹預效果顯著。

相關文章(灰色區域可滑動)

​

相關焦點

  • 兩樣本t檢驗 - CSDN
    方差分析與兩樣本T檢驗。1。首先可以看到方差分析（ANOVA）包含兩樣本T檢驗，把兩樣本T檢驗作為自己的特例。因為ANOVA可以比較多個總體的均值，當然包含兩個總體作為特例。實際上，T的平方就是F統計量（m個自由度的T分布之平方恰為自由度為（1，m）的F 分布。因此，這時候二者檢驗效果完全相同。
  • 第二節 兩組資料的比較
    第二節　兩組資料的比較 　　兩組資料的比較亦稱成組資料的比較。這裡介紹兩樣本秩和檢驗（Wilcoxon,Mann and Whitney法）。秩和和檢驗（rank sum test）的步驟見例21.2。
  • r語言兩樣本檢驗 - CSDN
    t檢驗也稱為student t檢驗，可以用來比較兩個均值的差異是否顯著，可分為單總體檢驗、雙總體檢驗、配對樣本檢驗。1.1歷史要了解t檢驗，就不得不提及他的發明者威廉·西利·戈塞特(William Sealy Gosset)。戈塞特先生作為一個擁有化學和數學兩個學位的牛津大學新秀，於1899年因化學專長進入愛爾蘭都柏林的吉尼斯釀造公司工作。
  • 兩個獨立組之間的對比分析(SPSS:獨立樣本T檢驗)
    獨立樣本T檢驗解決的問題：一個自變量（離散變量，水平數=2）對一個因變量（連續變量）的影響。 適用條件：正態性、獨立性、方差齊性。 實驗設計：選取40名初中女生，隨機分為契約學習組、常規教學組。契約學習組採用契約學習法教學；常規教學組採用常規教學法教學。教學時間為2個月。實驗後測試學生體質健康水平，進行組間對比。 自變量：教學方法（1-契約學習法、2-常規教學法）。
  • 手把手教你多組獨立樣本的非參數檢驗及兩兩比較
    如果不服從正態分布，採用中位數（四分位數間距）進行統計描述，組間比較採用非參數檢驗（Kruskal-Wallis秩和檢驗），當組間總的有統計學差異，進一步採用Dunn法（也可以是其它方法）進行多重比較。我們想比較不同BMI組人群的年齡是否有差異，經正態性檢驗，年齡不符合正態分布，故選用非參數檢驗（Kruskal-Wallis秩和檢驗）。
  • 一般來說,橫斷研究比較容易,在大樣本時有意義
    二、實驗分組和樣本例如，在比較正常心境和抑鬱心境對時間判斷的差異時，必須分組比較。本例有兩種分組方法：一種是分抑鬱心境和正常心境兩組人群來進行比較；另一種是同一人群分抑鬱心境和正常心境兩種狀態時進行比較。
  • 兩獨立樣本的T檢驗
    在前面幾次更新中，小編已經連續推送單樣本T檢驗和配對設計T檢驗，詳情看這裡：單樣本資料的t檢驗（案例篇），配對設計的t檢驗    兩獨立樣本T檢驗是利用來自兩個總體的獨立樣本，去推斷兩個總體的均值是否存在顯著差異。（現實生活中，我們想比較兩個班級之間的成績；比較城市和農村的幸福指數等。）
  • t檢驗 方差分析 - CSDN
    一.T檢驗1.T檢驗分類T檢驗是通過比較不同數據的均值，研究兩組數據之間是否存在顯著差異。單總體檢驗：單總體t檢驗是檢驗一個樣本平均數與一個已知的總體平均數的差異是否顯著。當總體分布是正態分布，如總體標準差未知且樣本容量小於30，那麼樣本平均數與總體平均數的離差統計量呈t分布。
  • t檢驗 機器學習_機器學習 t 檢驗 - CSDN
    無論任何假設檢驗，它們都遵循如下圖所示的流程：做兩個假設：一般如果假設對象是兩組樣本的話，都會假設這兩組樣本均值相等（T檢驗的假設），方差滿足齊次性（F檢驗的假設）等。而另一個假設其實就是兩組樣本均值不相等（T檢驗的假設），方差不滿足齊次性（F檢驗的假設）等，其實這兩個假設就是一對非此即彼的選項。這兩個假設在教科書上就叫做原假設H_0，和備擇假設H_1。
  • 「兩組」連續變量之間的相關分析(SPSS:典型相關分析)
    1.常見的幾種相關一組連續變量與另一組連續變量之間的相關關係可以計算「典型相關分析」。
  • 多組比較的非參數檢驗——K-W檢驗
    作者：丁點helper來源：丁點幫你前面我們已經講完兩組比較的非參數檢驗，類似t檢驗與方差分析，當比較的數據超過兩組時，我們就需要換一個方法了。K-W檢驗的全稱為，Kruskal-Wallis檢驗，它是用於正態分布條件不滿足情況下，多組獨立樣本方差分析的替代。
  • 觀察性療效比較研究的樣本量計算,研究實例及注意事項
    觀察性療效比較研究樣本量的計算 影響非隨機對照試驗中檢驗效能計算的因素往往比RCT研究中的多。例如研究者在使用傾向評分或配對分析等統計分析前，可能很難獲得人群中結局指標比較的效應值大小。除此之外，在研究者進行傾向評分或配對的過程中可能會人為地排除一些研究對象。
  • r語言 t檢驗 假設 - CSDN
    假設檢驗 -T檢驗 -F檢驗 -卡方檢驗 -正太性檢驗T檢驗2兩樣本的T檢驗 -有原始數據的獨立兩樣本T檢測 -有原始數據的配對T檢測 實例如下： Wage 數據中大學學歷的收入和中學一樣嗎
  • PASS:兩組平行交叉對照設計的新型降壓藥的等效性檢驗的樣本含量估計
    臨床研究樣本含量估算[M]. 北京：人民衛生出版社, 2008.05.該研究的總例數至少為79，由於樣本含量為奇數，因此第一組至少為40例，第二組至少為39例，如果要求兩組受試者按照1:1的比例，則每組至少各需40例。
  • 方差分析不能用,那就用多組獨立樣本的非參數檢驗
    我們一般會在文獻的統計方法部分看到這樣的描述：對於數值變量，首先進行正態性檢驗，如果各組均滿足正態性，採用均數（標準差）進行統計描述，兩組比較採用t檢驗，三組及三組以上組間組間比較採用方差分析；否則採用中位數（四分位數間距）進行統計描述，採用非參數檢驗進行組間比較。
  • 基於R語言實現多組獨立樣本的非參數檢驗(Kruskal-Wallis秩和檢驗)及兩兩比較
    如果不服從正態分布，採用中位數（四分位數間距）進行統計描述，組間比較採用非參數檢驗（Kruskal-Wallis秩和檢驗），當組間總的有統計學差異，進一步採用Dunn法（也可以是其它方法）進行多重比較。我們想比較不同BMI組人群的年齡是否有差異，經正態性檢驗，年齡不符合正態分布，故選用非參數檢驗（Kruskal-Wallis秩和檢驗）。
  • 血液樣本分析前變量對組學研究的影響:邁向精準樣本存儲
    摘要：研究數據和結果在人群和個體之間存在差異，但這種差異並不總是由於實驗或真正的生物學變化。 討論：基於人群的生物樣本庫已成為科學以及政治和經濟機構 。無論是在基因組學、轉錄組學、蛋白質組學，或是在代謝組學，生物樣本庫在規劃和實施大數據組學研究中，發揮著巨大作用。此外，生物樣本庫在醫學和整合生物學研究中廣泛地扮演著守門人角色。
  • t檢驗中t值的意義 - CSDN
    下文簡述各種差異性檢驗思想（兩組樣本差異），同時結合scipy.stats文檔中的描述進行python實踐。參數檢驗在下文中，我們給出了兩個樣本，它們可以來自相同或不同的分布，我們想檢驗這些樣本是否具有相同的統計特性：比較均值t檢驗t檢驗適用於：正態分布、方差具有齊性的兩組間小樣本比較；對於大樣本不滿足正態分布的數據而言t-檢驗還是相當精確有效的手段。
  • 揭秘：16年前的血漿樣本還能做代謝組學研究嗎？
    研究結果1.長期保存會影響血漿樣本代謝組作者對3個年齡組的血漿樣本代謝物含量按保存時間長短進行比較分析發現，檢測到的231種代謝物中，有226種在保存時間的前七年中保持穩定；保存11年的樣本相比於保存9年的樣本，26%的代謝物含量發生了變化（20%
  • excel假設檢驗 - CSDN
    1) 當H0採用等號，而H1採用不等號，雙尾檢驗2)當H0是有方向性的，單尾檢驗P值當原假設為真時，比所得到的樣本觀察，結果更極端的結果會出現的概率。如果P值很小，我們拒絕原假設的理由越充分。P的意義不表示兩組差別大小，p反映兩組差別有無統計學意義，顯著性檢驗只是統計結論，判斷差別還需要專業知識。