两组或多组有序分类资料的比较，为什么宜用秩和检验而不用卡方检验？

经常听到有小伙伴刚学了武林秘籍之卡方检验，只要碰到分类资料就一通乱打，虽说有时候能赢几场，但是也有被打的鼻青脸肿的，还自言自语的说，招数没毛病呀！？事实上毛病大了去了，与人过招，知己知彼，见招拆招，方能克敌制胜！所以我们先来捋捋分类资料的分析。

常见的分类资料可以分成四类：

（注：上文提到的“属性”，我们后期会专门推送一篇文章来讲解~）

针对双向无序分类和双向有序属性相同的分类资料的分析方法，前面几期有详细介绍，还没看过的小伙伴戳SPSS详细操作：多个独立样本列联表的卡方检验/SPSS详细操作：一致性检验和配对卡方检验。这次我们一块儿搞定单向有序分类和双向有序属性不同的分类资料的SPSS操作。

一、单向有序分类——血脂异常的患病率随着年龄增加而增加吗？

某研究小白在利用某项调查数据分析时，想研究一下年龄与血脂异常之间的关系，想起了之前学过的多个独立样本的卡方检验SPSS操作，于是照猫画虎，分析了一下手里的数据。

Analyze→ Descriptive Statistics→ Crosstabs: Row(Age); Column(Dyslipidemia)→Statistics: Chi-square; Continue→ Cells: Percentages(勾选Row); Continue→ OK

看到分析结果，尤其是P=0.003，小白立刻眼睛冒光，马上超级自信地下了结论：经独立样本卡方检验，血脂异常的患病率随着年龄增加而增加(P=0.003)，但是刚说完心里又犯嘀咕，想起之前学的独立样本卡方检验，好像这里只能说明不同年龄组之间血脂异常患病率有统计学差异。嗯，没错！这里如果只看Pearson Chi-Square的结果，会忽略年龄分组为有序变量这个信息点，损失了信息，所以这里更好的是看Linear-by-Linear Association的结果。

提到趋势性卡方检验，想必大家并不陌生，主要用来明确分类变量之间的线性趋势，比如这里的“血脂异常的患病率随着年龄增加而增加”。趋势性卡方检验最常用的方法是Cochran-Armitage trend test，很遗憾SPSS并没有提供这种方法，而是另一种方法Linear-by-Linear Association，两个结果相近，所以大家也可以放心使用。

听到这里，研究小白马上修改了结论：经趋势性卡方检验，血脂异常的患病率随着年龄增加而增加（P

首先，严格地讲，做趋势性卡方检验时，需要对分组变量和结局变量进行评分赋值，连续变量取组中值为等级评分；如果是等级资料，给以顺序性的评分，如1、2、3……；分类资料，阳性或患病等为1，阴性或不患病等为0。这里就涉及到一个问题，对于Spearman秩相关是基于变量秩次进行相关分析的，比如说上面的例子，如果去掉55-岁组，趋势性卡方检验中变量评分为1、2、4，而Spearman秩相关是1、2、3，这就反映两种分析方法的利用信息能力不一样。

其次，两种方法的检验效能不同，趋势性卡方检验属于参数检验，当我们假定存在线性趋势时，检验效能更高；而Spearman秩相关计算变量秩次，损失了信息，相同条件下，检验效能较低，比如这里Spearman秩相关P=0.001，趋势性卡方检验P0表示两个变量正相关，G

上面的结果显示：G=0.244，P=0.025

可以看到Spearman秩相关系数rs=0.183，小于G（0.244），低估了变量之间的关联强度。

以上就是单向有序分类和双向有序属性不同的分类资料的SPSS操作，欢迎大家交流哈。

更多阅读

一张图搞明白分类资料的组间比较方法

分类、有序、定量变量...你清楚你的变量类型吗？

卡方检验及其错误应用--有“率”未必“卡方”