双向有序属性相同行列表数据的分析

双向有序属性相同行列表数据的分析

双向有序属性相同的行列表一般存在以下几种分析需求：

有两种方法可用于诊断某种癌症，A方法简单易行，成本低，患者更容易接受，B方法结果可靠，但操作繁琐，患者配合困难。某研究选择了53例待诊断的门诊患者，每个患者分别用A和B两种方法进行诊断，判断两种方法诊断癌症是否一致，A方法是否可以代替B方法。结果整理成下表：

B方法

合计

阴性

阳性

A方法

阴性

25（a）

2（b）

27

阳性

11（c）

15（d）

26

合计

36

17

53

对于此类资料，常用的方法为Kappa一致性检验，旨在评价两种方法间是否存在一致性，通过Kappa值评价一致性大小：Kappa≥0.75，说明两种方法诊断结果一致性较好；0.4≤Kappa0.75，说明两种方法诊断结果一致性一般；Kappa0.4，说明两种方法诊断结果一致性较差。

适用于行列变量为配对资料，同样以上述四格表资料为例，为比较两种方法的诊断是否存在差异，由于是在相同个体上使用两种方法进行诊断，故对于此类资料，可选用的统计方法为McNemar检验。值得注意的是，McNemar检验仅适用于不一致对子数b+c40时，不满足该条件时需要进行校正。此外，McNemar检验仅适用于2x2列联表，对于分类数目大于2的配对列联表则需要使用Bowker检验，具体操作方法不在此赘述。

对于相同的配对四格表，使用Kappa检验和McNemar检验两种不同方法的原因在于各有侧重，两者间的比较如下：

1、Kappa检验旨在评价两种方法是否存在一致性；配对χ2检验主要确定两种方法诊断结果是否有差别；

2、Kappa检验会利用列联表的全部数据，而配对χ2检验只利用“不一致“数据；

3、Kappa检验可计算Kappa值用于评价一致性大小，而配对χ2检验只能给出两种方法差别是否具有统计学意义的判断。

数据录入：

变量视图

数据视图

加权个案

选择Data→weightcases→勾选Weightcasesby，将频数放入FrequencyVariable→OK。

分析

选择Analyze→DescriptiveStatistics→Crosstabs

选项设置

主对话框设置：将“A方法”和“B方法”两个变量分别放入Row(s)框和Column(s)框中（无位置要求）。

Statistics设置：勾选McNemar和Kappa→Continue

Cells设置：Counts中勾选Observed，输出实际观测频数；Percentages勾选Row和Column，输出行和列占比→Continue→OK

结果解读

描述性统计结果：

McNemar检验结果：

Kappa检验一致性结果：

McNemer检验的结果得到P=0..05，提示两种方法诊断情况并不一致；Kappa一致性检验结果得出Kappa=0.，P0.，提示两种方法诊断结果存在一致性，但是Kappa在0.4~0.75范围内，一致性一般。

A方法和B方法诊断结果一致性一般(Kappa=0.，P0.)；B诊断阳性率为67.9%，明显高于A诊断(50.9%)，且差别具有统计学意义(P=0.)。

值得注意的是，此时b+c40，故输出的是校正后的McNemar检验统计量。

Code：

dataequalranges;

inputrater1rater2weight;

datalines;

;

run;

procfreqdata=equalranges;

tablesrater1*rater2/agreenopercentnocolnorow;

weightweight;

run;

结果解读：

从上述结果可以看出，Kappa=0.（0.-0.），A方法和B方法诊断结果一致性一般。

值得注意的是，在SAS的McNemar检验中不考虑校正问题，仅适用于较大样本，本例得出的McNemar检验统计量对应为6.23，P=0.6，和上述SPSS结果并不一致。因此，针对此例需要考虑校正问题时，需要自行编辑公式进行计算，代码如下：

dataadjusted;

inputf11f12f21f22;

iff12+fthenchisq=(abs(f12-f21)-1)**2/(f12+f21);

elsechisq=abs(f12-f21)**2/(f12+f21);

P=1-probchi(chisq,1);

cards;

252

;

procprint;

run;

结果如下：

因此，本例中McNemar检验统计量为4.92，P=0.。

McNemar检验语句如下：

mcci252

Kappa检验：

数据整理成如下所示：

结果如上所示，具体解读与SPSS一致。

趋势性检验在于充分利用等级信息，对数据做出综合分析，以对反应生物学阶梯或等级关系等资料进行有效的假设检验。对于此部分内容仅做简单介绍，并提供SAS代码进行实现。

比如为探究胸部平片密度级别是否随矽肺期次进展有逐步提高趋势，医院对名不同期次的矽肺患者的胸部平片肺门密度进行收集，整理成如下列联表：

矽肺期次

肺门密度级别

合计

Ⅰ

Ⅱ

Ⅲ

1

43

14

2

1

96

72

3

6

17

55

78

合计

50

对于此类资料，可选用的统计方法有：

Cochran-Armitage趋势检验：仅适用于针对2*2列联表；

Spearman、Kendall秩相关和典型相关分析：如两变量间的相关系数有统计学意义，即可认为变量间存在趋势关系，通过相关系数的符号来判断趋势走向。

Spearman等级相关只适用于分析两变量间的相关；

Kendall则既可以对两变量作等级相关，也可以对多变量作等级相关分析；

但是上述两种相关分析给有序变量的等级赋值过于简单，因此不能最大限度地获得两有序变量间的相关信息。

典型相关分析则是在使两有序变量的相关达到极大的前提下，给有序变量的各等级进行赋值，通过对表边缘设法产生一双正态分布变量，从而进行相关分析，主要思想类似于主成分分析。主要功能在于分析两组变量间的关系，这两组变量的数目可以不止一个。

以上述资料为例，SAS程序如下：

datatrend1;

inputrcweight;

datalines;

12

;

run;

/*spearmankendall相关*/

proccorrspearmankendall;

varrc;/*r为矽肺期次，c为肺门密度级别*/

freqweight;

run;

结果显示，

结果显示，Spearman相关系数r=0.，P＜0.；Kendall相关系数r=0.，P＜0.。

/*典型相关分析*/

proccorresp;

tablesr,c;

weightweight;

run;

结果显示，典型相关分析第1对、第2对典型相关系数分别为R1=0.，R2=0.；卡方统计量为.7.4和13.，查界值表得出P均小于0.01，提示存在直线相关关系。

故肺门密度级别随着矽肺期次的增加而增加。

CMHχ2检验：根据R*C列联表中行变量与列变量的属性不同，做非零相关、行平均分差和一般联系3种检验。行列变量均为等级变量时，作非零相关检验，实际上就是趋势性检验，但这种趋势检验仅限于线性趋势检验。

以上述资料为例，SAS程序如下：

procfreqdata=trend1;

tablesr*c/cmhexpectednopercentnorownocol;

weightweight;

run;

非零相关检验结果提示χ2=.，P0.0，故肺门密度级别随着矽肺期次的增加而增加。

CPD趋势检验：较少使用，不在此赘述。

作者：李思冬

编辑：赵锐

校对：大话统计工作组

赞赏

长按







































北京中科医院爆光
北京哪里有治疗白癜风的医院