常用医学统计学方法汇总
常用医学统计方法
常用医学统计方法统计学是以数学方法观察和比较事物的一门学科。
●变异导致的现象有，个体≠个体；个体≠部分；部分≠部分；部分≠全部上述四种不同如果是变异所致，则不同是表像，相同才是本质。
●鉴于“变异”的存在，当欲判断事物与事物有无不同时，必需考虑排除因变异导致的“假性”不同。
二、基本概念：12AB3、抽样误差：（1）样本指标（均来源于同一总体）之间的差别（2）样本指标与总体指标（样本来源于该总体）之差●应用意义：抽样误差存在的原因是变异。
样本与样本之间存在的抽样误差，并非真正不同，而是“同质”。
4、概率：指事件发生的可能性，用符号“P”表示小概率事件：指P≤0.05( 5% )的事件。
法，每组30（1）上述研究的“真正”对象，是若干还是全体糖尿病患者？（2（3（4）上述“同质”的观察角度分别是：同类病人；同类护理方法；同类效果2、（1（2X ：个体观察值，X ：样本平均数，μ：总体平均数A、X1≠X2B、X1≠X2C、X ≠XD、X≠μE、μ1≠μ 2三、统计资料种类：资料不同，统计分析方法亦不同。
1、计量2、计数3、等级资料：既有计量又有计数性质（了解）四、统计工作的基本步骤：1.⑴随机：使样本对总体有代表性⑵对照：平行对照（观察组、对照组）；自身对照⑶双盲：调查者不知被调查者属于何组，避免诱导误差被调查者不知自己属于何组，避免依从性误差⑷齐同：观察组与对照组的对象，除了被观察因素不同，其他所有条件均应相同。
234⑴以统计指标描述样本资料（频数分析：均数、率等）⑵——（应用在个体水平）⑶以样本指标估计总体情况（总体指标可信限）——（应用在总体水平）⑷判断样本与样本、样本与总体是否同质（假设检验）——（应用在样本水平）2、计算方法：掌握计算器运算方法⑴直接法：略。
⑵加权法：原理（与直接法相比较）以组中值代替原始数据。
●大样本资料可以用直接法计算均数吗？●直接法和加权法计算公式中，“X”的含义有何区别？●直接法与加权法计算均数，那一种结果更精确？二、几何均数（G）12、计算方法：将所有数据（X）取对数（lgX）→求“算术均数”→取反对数三、中位数（M）123、计算方法：（1）直接法：排序及目测位居中间的数据之值（2）频数表法：计算关键——式中：L =i =fm =Σf L=12以δ以S表示。
医学统计学
医学统计学一、介绍医学统计学是医学领域中一门重要的学科，它通过收集、整理和分析医学数据，为医学研究和临床决策提供科学依据。
医学统计学的主要任务是使用统计方法分析各种医学数据，从中提取有意义的信息，并对结果的可靠性和有效性进行评估。
在医学研究中，医学统计学起着至关重要的作用，帮助研究人员通过数据分析对疾病的发病机制、病理生理过程和治疗效果等进行评估。
二、常见统计方法1. 描述统计学描述统计学是医学统计学的基础，它主要用于对医学数据的数量特征进行描述和总结。
常见的描述统计学方法包括：•平均值：用于描述数据的中心趋势。
•标准差：用于描述数据的离散程度。
•百分位数：用于描述数据的分布情况。
2. 推断统计学推断统计学是医学统计学的核心，它基于样本数据对总体进行推断。
常见的推断统计学方法包括：•假设检验：用于检验研究假设的真实性。
•置信区间：用于估计总体参数的范围。
•方差分析：用于比较多个样本的均值差异。
3. 生存分析生存分析是医学统计学中的一项重要内容，它主要用于研究患者的生存时间和相关因素。
常见的生存分析方法包括：•生存曲线：用于描述患者生存时间的分布情况。
•生存率：用于描述患者在某一时间点存活的概率。
•Cox比例风险模型：用于研究生存时间和危险因素的关系。
三、应用领域医学统计学广泛应用于医学研究和临床实践中，对于评估疾病的风险因素、制定预防策略、确定诊断标准和评估治疗效果等方面都起着至关重要的作用。
以下是医学统计学在不同领域的应用示例：1. 流行病学研究医学统计学在流行病学研究中发挥着重要作用。
通过收集大量的样本数据，并运用相关的统计方法，可以研究疾病的发病规律、危险因素和暴露因素等，为疾病的预防和控制提供科学依据。
2. 临床试验医学统计学在临床试验中的应用也非常重要。
通过对试验组和对照组的数据进行比较分析，可以评估新药物或治疗方法的疗效和安全性，为临床决策提供可靠依据。
3. 医疗质量评估医学统计学可以用于医疗质量评估，通过对不同医疗机构之间的数据进行比较分析，评估医疗服务的质量，为改善医疗质量提供参考。
医药数理统计方法
医药数理统计方法
医药数理统计方法是应用数学和统计学的方法来分析、评估和解释医药领域中的实验数据和研究结果的一种方法。
以下是常见的医药数理统计方法：
1. 描述统计分析：该方法用于将数据汇总和整理，并从中计算出常见的统计指标，例如平均值、中位数、标准差和百分位数。
2. 探索性数据分析：该方法用于通过绘制图表和图形来探索数据中的模式和趋势，以及确定是否存在异常值或异常数据。
3. 假设检验：该方法用于确定两个或多个总体之间是否存在显著差异，并确定由随机误差导致的变化是否足以解释观察到的差异。
4. 方差分析：该方法用于确定两个或多个组之间是否存在差异，并分析这种差异是否由于因素（例如治疗或干预）导致而不是随机误差导致的。
5. 相关分析：该方法用于确定两个变量之间的相关性，以及该相关性是否在统计上显著。
6. 多元分析：该方法用于同时考虑多个变量之间的相关性，并确定它们与特定结果之间的独立和联合影响。
7. 生存分析：该方法用于确定某个事件发生的概率，并分析影响该事件发生的因素（例如疾病或死亡）。
8. 回归分析：该方法用于分析两个或多个变量之间的关系，并确定其中一个变量对另一个变量的影响程度。
医学统计学统计分析方法
医学统计学统计分析方法一．T检验二．F检验（方差分析）三．X2检验（卡方检验）四．非参数检验（秩和检验）五．回归分析六．生存分析一T检验1.单样本t检验（样本均数与总体均数比较t检验）2.配对样本t检验（配对资料）3.两样本t检验（成组t检验）完全随机设计4.近似t检验（两小样本均数两总体方差不等）5.数据转换（对数转换：几何均数t检验，平方根转换，平方根反正弦，倒数变换）二F检验（方差分析）1.两样本方差比较的F检验：Levene检验2.多个样本方差比较（也适用于两样本）Bartlett检验（正态资料）Levene检验（可不具正态）完全随机设计资料的方差分析：正态+方差齐：单因素方差分析（one factor ANOVA）和单向分类的方差分析（one way ANOVA）或成组t检验非正态或方差不齐：变量变换后采用单向分类方差分析或Kruskal-Wills H检验随机区组设计资料的方差分析正态+方差齐：双向分类的方差分析或配对t检验非正态或方差不齐：变量变换后采用双向分类的方差分析或Friedman M检验拉丁方设计资料：三向多个样本均数间的多重比较①LSD-t检验（最小显著差异t检验）②Dunnet-t检验③SNK-q检验（多个样本均数两两的全面比较）3.多因素方差分析4.重复测量设计方差分析5.协方差分析（将线性回归分析与方差分析结合）三X2检验（卡方检验）1.四格表的X2检验2.配对四格表的X2检验3.四格表资料的Fisher 确切概率法4.行×列表X2检验（多个样本率样本构成比双向无序分类资料的关联性检验）5.多个样本率的多重比较（X2分割法）R×C表资料分类及检验方法的运用1.双向无序：X2检验（样本率构成比）2.单向有序：分组变量有序，指标变量无序：X2检验（分析不同年龄组各种传染病的构成）。
分组无序，指标有序：秩转换的非参数检验（疗效按等级分组）3.双向有序：一致性检验或Kappa检验4.双向有序属性不同：非参数检验，等级分析，线性趋势检验四非参数检验（秩和检验）1．符合秩和检验（配对资料Wilcoxon符号秩和检验）配对样本差值的中位数是否为0或单个样本中位数与总体样本中位数2．两样本秩和检验（两个独立样本Wilcoxon秩和检验）两个样本是否来自同一总体（两个总体分布位置是否有差别）T值3．多个独立样本比较的Kruskal Wallis H检验（多个样本是否来自同一总体）H值进一步两两比较：Nemenyi法检验4．随机区组设计多个样本比较Friedman M检验M值进一步两两比较：q检验五回归分析1.双变量回归（1）直线回归与直线相关线性相关关系：pwcorr 变量名1 变量名2 … 变量名m, sig线性回归：reg回归方程假设检验：方差分析与t检验相关系数的假设检验：：计算r后进行t检验（2）秩相关（等级相关）秩和相关分析：spearman变量1变量2 Spearman秩相关r s相同秩较多时r s的校正①加权直线回归②两条直线回归直线的比较③曲线拟合多元线性回归分析多元线性回归分析：regress+多个因素coef（回归系数）3.Logistic回归分析（二分类资料）成组资料：logistic回归logistic回归：logistic因变量变量1 变量2…变量m OR 配对资料：条件logistic回归条件logistic回归：clogit因变量变量1 变量2…变量m，strata(配对编号变量) [or]有序logistic回归：多分类logistic回归（无序）六生存分析1.描述分析乘积极限法（Kaplan-Meier法）2.比较分析Log-lank检验与Breslow检验3.影响因素分析半参数法：cox回归cox Haz Ratio(相对风险度) RR七meta分析：OR RRRD：（差值的区间与0比较）OR/RR：（定性资料）区间与1比较。
医学统计学统计方法总结
计量资料：一、 描述性分析集中趋势：对称——算术均数偏态——中位数等比——几何均数离散趋势：对称——方差、标准差偏态——四分位数间距均数悬殊或单位不同的资料比较——变异系数二、 统计推断（根据样本推断总体）1.参数（均数）估计 总体方差未知——总体方差已知——参考值范围：单双侧 正态分布—— 偏态分布——百分位数法二者的含义、用途2.假设检验（1）均数的比较（正态）单个样本、配对（与两独立样本的区别）两样本（方差齐——t 检验方差不齐——校正t 检验或秩和检验或变量转换） 多样本：方差齐 完全随机设计方差分析随机区组设计方差分析),(2/2/n s u x n s u x αα+-),(2/2/n s v t x n s v t x αα+-Su X 2α±S u X α-Su X α+方差不齐——秩和检验或变量转换非正态：秩和检验或变量转换F—+—>t两两比较：SNK 任两个对比LSD 一对或几对比较Dunnet 实验与对照组比较t——>F F=t2(2)方差比较两个方差：F检验（正态）多个方差：Bartlett（正态）Levene检验假设检验注意事项计数资料一、描述性分析频率或严重程度——率比重或构成——构成比一指标为另一指标的若干倍或百分比——相对比应用注意：不能以比代率、可比性、样本率不能直接对比率或构成比比较：1.若某因素内部构成不同并且影响比较，进行标化二、统计推断1.参数估计二项分布率的估计：查表或正态法泊松分布均数估计：查表或正态法2.假设检验单个样本率：直接法或二项分布U检验泊松分布U检验（率很小）两样本率的比较：四格表2χ检验（校正）二项分布U检验（n大、np>5,n(1-p)>5）泊松分布U检验（（率很小）精确概率法多个率或构成比比较：2χ检验(理论数不能小于1或小于的理论数不能多于5分1)两两比较：任两个对比、实验与对照组比较等级资料：-----效应比较秩和检验两变量关系：1.定量（计量资料）正态pearson相关回归非正态秩相关2．无序分类定性2 检验和列联相关系数3. 有序分类定性（1）单向有序分组有序、指标无序卡方检验分组无序、指标有序秩和检验（2）双向有序属性相同Kappa检验属性不同线性趋势秩相关。
医学统计学方法
医学统计学方法1. 引言医学统计学是医学研究中不可或缺的一门学科，它通过应用统计学的原理和方法，对医学数据进行收集、整理、分析和解释，从而为医学研究提供可靠的依据。
本文将介绍医学统计学的基本概念、常用方法以及在医学研究中的应用。
2. 医学统计学的基本概念2.1 总体与样本在医学研究中，我们通常关注的是一个特定人群或物体的某种特征。
这个人群或物体称为总体，而从总体中选取出来的一部分个体则称为样本。
通过对样本进行观察和测量，我们可以对总体进行推断。
2.2 参数与统计量参数是描述总体特征的数值，例如总体均值、方差等。
由于很难获得总体所有个体的数据，我们通常通过样本来估计参数。
样本所得到的数值称为统计量，例如样本均值、样本方差等。
2.3 假设检验与置信区间在医学研究中，我们经常需要判断某种治疗方法是否有效、某种因素是否与疾病有关等。
假设检验是一种常用的统计方法，它通过对样本数据进行分析，判断总体参数是否符合某种假设。
置信区间则是对总体参数的估计范围。
3. 常用的医学统计学方法3.1 描述统计学描述统计学是对数据进行整理、总结和展示的方法。
常用的描述统计学方法包括：频数分布表、直方图、散点图等。
这些方法可以帮助我们了解数据的分布特征、集中趋势和离散程度。
3.2 推断统计学推断统计学是根据样本数据对总体进行推断的方法。
常用的推断统计学方法包括：参数估计和假设检验。
参数估计可以帮助我们估计总体参数，并给出其置信区间；假设检验可以帮助我们判断某个假设是否成立。
3.3 生存分析生存分析是研究个体发生某个事件（如死亡、复发）所需时间的方法。
常用的生存分析方法包括：生存函数曲线、危险比（hazard ratio）等。
生存分析可以帮助我们评估治疗效果、预测疾病进展等。
3.4 回归分析回归分析是研究因变量与自变量之间关系的方法。
常用的回归分析方法包括：线性回归、 logistic回归等。
回归分析可以帮助我们探索影响因素、预测结果等。
医学统计学相对数的类型
医学统计学相对数的类型医学统计学中常用的相对数主要有以下几种：1. 强度相对数：表示在一定范围内，某现象的发生数与可能发生某现象的总数之比，说明某现象出现的强度或频度（即频繁的程度）。
计算公式为：强度相对数=某现象的发生数/可能发生某现象的总数×100℅（或1000‰）。
2. 患病率：某病患病人数与调查人数之比。
计算公式为：某病患病率=某病患病人数/调查人数×100%。
3. 发病率：某期间内某病新病例数与同期间内平均人口数之比。
计算公式为：某病发病率=某期间内某病新病例数/同期间内平均人口数×100%。
4. 感染率：带有某种病原体人数与检查人数之比。
计算公式为：某病感染率=带有某种病原体人数/检查人数×100%。
5. 病死率：死于某病人数与某病患病人数之比。
计算公式为：某病病死率=死于某病人数/某病患病人数×1000‰。
6. 死亡率：某年某地某病死亡人数与同年该地平均人口数之比。
计算公式为：某病死亡率=某年某地某病死亡人数/同年该地平均人口数×100%。
7. 出生率：某地某年活产数与该地同年年平均人口数之比。
计算公式为：出生率=某地某年活产数/该地同年年平均人口数×1000‰。
8. 自然增长率：某地某年活产数与死亡数之差与该地同年年平均人口数之比。
计算公式为：自然增长率=某地某年活产数-死亡数/该地同年年平均人口数×1000‰=出生率-死亡率。
此外，医学统计中常用的相对数还有构成比和相对比等。
这些相对数的计算公式和意义各不相同，可以根据具体的研究目的和数据选择合适的相对数进行统计分析。
医学统计方法
医学统计方法
1. 抽样分析：抽样分析是指从总体中抽取一小部分样本，进行抽样研究，根据样本的信息来归纳总体的情况。
2. 回归分析：回归分析是研究两变量或多变量之间关系的统计方法，以便分析自变量对因变量的影响程度，而且可以预测因变量在未知自变量情况下的值。
3. 分类数据分析：分类数据分析是一种特殊的统计分析方法，它的目的是检验不同分类组中数据的平均值是否存在显著性差异，以此来确定不同组之间具有显著性差异的分类变量。
4. 卡方检验：卡方检验是一种非参数统计检验，用于检验两个或多个样本之间属性观察次数与理论次数之间是否有较大差异，以判断其他相关因素是否可以解释相应差异。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
选择合适的统计学方法1连续性资料1.1 两组独立样本比较1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。
1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。
1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon检验。
1.2 两组配对样本的比较1.2.1 两组差值服从正态分布，采用配对t检验。
1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。
1.3 多组完全随机样本比较1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。
如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。
如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。
1.4 多组随机区组样本比较1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。
如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。
如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。
****需要注意的问题：（1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t 检验或方差分析。
因为统计学上有中心极限定理，假定大样本是服从正态分布的。
（2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。
正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。
**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确**（3）关于常用的设计方法：多组资料尽管最终分析都是采用方差分析，但不同设计会有差别。
常用的设计如完全随即设计，随机区组设计，析因设计，裂区设计，嵌套设计等。
2．分类资料2.1 四格表资料2.1.1 例数大于40，且所有理论数大于5，则用普通的Pearson 检验。
2.1.2 例数大于40，所有理论数大于1，且至少一个理论数小于5，则用校正的检验或Fisher’s 确切概率法检验。
2.1.3 例数小于40，或有理论数小于2，则用Fi sher’s确切概率法检验。
2.2 2×C表或R×2表资料的统计分析2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。
（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效，则可用行平均分差检验或成组的Wilcoxon秩和检验。
2.2.3 列变量为效应指标，且为二分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.3 R×C表资料的统计分析2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。
（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
（3）如果要作相关性分析，可采用Pearson相关系数。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效或强弱程度的不同，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
2.2.3 列变量为效应指标，且为无序多分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.2.4 列变量＆行变量均为有序多分类变量，（1）如要做组间差别分析，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
（2）如果要做两变量之间的相关性，可采用Spearson相关分析。
2.4 配对分类资料的统计分析2.4.1 四格表配对资料，（1）b＋c>40，则用McNemar配对检验。
（2）b＋c<40，则用校正的配对检验。
2.4.1 C×C资料，（1）配对比较：用McNemar配对检验。
（2）一致性检验，用Kappa检验。
在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述.Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。
对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。
Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。
Kendall's tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。
对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格；计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。
计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关Pearson 相关复选项积差相关计算连续变量或是等间距测度的变量间的相关分析Kendall 复选项等级相关计算分类变量间的秩相关，适用于合并等级资料Spearman 复选项等级相关计算斯皮尔曼相关，适用于连续等级资料注：1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用Spearman 或Kendall相关。
3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。
则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。
对一般情况默认数据服从正态分布的，故用Pearson分析方法。
在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项：PearsonKendall's tau-bSpearman：Spearmanspearman（斯伯曼/斯皮尔曼）相关系数斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。
它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究Kendall's相关系数肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。
适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。
等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。
肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。
该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。
一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。
正态分布的相关检验对来自正态总体的两个样本进行均值比较常使用T检验的方法。
T检验要求两个被比较的样本来自正态总体。
两个样本方差相等与不等时用的计算T值的公式不同。
进行方差齐次性检验使用F检验。
对应的零假设是：两组样本方差相等。
P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。
U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。
在这种情况下总体方差通常是已知的。
虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。
均值检验时不同的数据使用不同的统计量使用MEANS过程求若干组的描述统计量，目的在于比较。
因此必须分组求均值。
这是与Descriptives过程不同之处。
检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T检验过程。