SPSS统计分析策略（5）：⽅差分析后两两⽐较，究竟应该⽤哪种⽅法？
多重⽐较的⽅法
但凡学过《医学统计学》的朋友，可能都了解⼀些，多组均数F检验只能说明多组之间总体均数不全相同，不能说明任何两组之间存在着统计学差异。可在此基础上开展多重⽐较的⽅法（俗称两两⽐较），以探索两组两组之间有没有统计学差异。不过，两组均数的⽐较，不能直接采⽤t检验，这样会增加假阳性的概率。 实例分析
在评价某临床新药耐受性及安全性的2a期临床试验中，对符合纳⼊标准的30名健康⾃愿者随机分为3组，每组10名。各组注射剂量分别为0.5U、1U、2U，观察48⼩时部分凝⾎活酶时间（s），试问不同剂量的部分凝⾎活酶时间有⽆不同？数据库见time48.sav
本案例来⾃于上⼀讲F检验（点击学习）。我们已经证明，检验统计量F值为6.5，P＝0.005，组间均数差别统计学意义，可认为各组的凝⾎活酶时间不同。
德怀特韦德
那么上述三组数据中，两组两组之间有没有差异呢？⽐如0.5个单位剂量下，凝⾎活酶时间均数是33.6s，1个单位剂量下，时间均数为37.8s，它们之间有没有差别？同时，0.5个单位和2个单位组（35.1s）有没有差异？
为什么两两⽐较不能⽤t检验
怎么⽐较？两组均数⽐较，我们之前讲过⽤t检验，这⾥可以直接⽤t检验吗？
不能！多组数据两两⽐较⽤t检验会增加⼀类错误α，也就是假阳性错误。这意味着本来你的研究应该是阴性结果，但如果两两⽐较⽤t检验，您的结果可能就是阳性。 原理如下：当有k个均数需作两两⽐较时，同时⽐较的次数共有c= k(k-1)/2。设每次检验所⽤Ⅰ类错误的概率⽔准为α，累积Ⅰ类错误的概率为α’，则在对同⼀实验资料进⾏c次检验时，在样本彼此独⽴的条件下，根据概率乘法原理，其累积Ⅰ类错误概率α’与c有下列关系：α’＝1－(1－α)c 例如，设α＝0.05，c=3(即k=3)，其累积Ⅰ类错误的概率为α’＝1－(1-0.05)3=1-(0.95)3 = 0.143
本来假设检验假阳性错误是5%，现在有14.3%，太多了。容易把阴性结果说成阳性！虽然，可能发表⽂章是很有利的，但是这是不合适的。
但是这是不合适的。
郑⽼师再说两句
估计你还是不明⽩，我再通俗介绍⼀番。这对于你为什么要进⾏两两⽐较，何时进⾏两两⽐较有些许帮助。
第⼀，假阳性，⼀般是5%的设置，也就是说，即便两组总体均数相同，但由于抽样的原因，也会5%的概率结果表现出阳性的结果。所以⼀篇论⽂，总是存在着⼀定的假阳性的概率，但不能太⾼，5%是合适的⽔平。
第⼆，多次⽐较的假阳性问题。多次⽐较，⽐如三组数据两两⽐较，即使（1vs2，2vs3，1vs3）三次数据⽐较，理论上均没有差异，但是由于各次⽐较均有5%的假阳性率，那么⾄少出现⼀个结果P<0.05的概率会是多少？0.143。换⾔之，你的⼀篇论⽂即便三组总体均数完全⼀致，如果⽤t检验进⾏两两⽐较，有14.3%的概率会出现⼀个P<0.05。
第三，有句话说“东⽅不亮西⽅亮”，多次⽐较，偶然发⽣阳性的结果的概率会⼤⼤增加。这虽然对论⽂发表是好事，但这是毒药。这样的论⽂不可靠。
第四，因此多组均数两两⽐较不能直接⽤t检验，不是因为t检验有错，⽽是因为t检验会造成⼀种表⾯的到处飘阳的结果。
所以统计学引⼊了⼀些多重⽐较的技术，来防⽌过⾼的假阳性概率。
如何进⾏多重⽐较
到处飘阳的虚假繁荣，场景很多见，在医学研究上包括以下⼏类：
1）多组数据两两⽐较
2）多个结局指标⽐较
3）临床试验的期中分析
4）亚组⽐较
上述这些场合下，普通的假设检验直接分析（α=0.05），均会增加⼀篇论⽂总体的⼀类错误α值。
⼀类错误α控制的⽅法，⼤致有两类，分别是基于family-wise error rate（FWER）控制法和基于false discovery rate(FDR）的控制法。这两种⽅法内容丰富，全⾯⽽细致地⽅法我们将在后续⽂章进⾏介绍。
本⽂介绍基本的控制⼀类错误的⽅法，包括基本统计算法、a分割法、⼈⼯规避法。
兰州大学研究生被杀α分割法：多重⽐较次数较多时，可对α进⾏分割处理。⽐较n次，新的检验⽔准α’=α/n，⽐如三组数据两两⽐
较，α’=0.05/3=0.017，在此基础上仍然可以进⾏两组两组⽐较的t检验。
统计算法：这⼀类其实是泛泛归类，特指基于数据进⾏统计量和α值全⾯调整的⽅法，包括SPSS软件列出14种算法，如LSD、Tukey⽅法等
⼈⼯规避法：通过⼈为预先设定，控制⽐较的次数。⽐如，三组数据多重⽐较时，不再两两⽐较，只⽐较第⼀组和第⼆组；或者把第⼀组和第⼆组⽐较结果作为主要研究⽬标；通过降低⽐较次数甚⾄只⽐较⼀次，那便⽆需通过校正α值就可以控制假阳性了。有兴趣可以看看这篇论⽂：【⽂献阅读】NEJM: ⽅差分析后，如何能够不⽤校正检验⽔准⽽进⾏两两⽐较呢？
如何SPSS进⾏基本的多重⽐较
由于本⽂是SPSS⼊门，我主要介绍SPSS菜单式的统计算法来控制⼀类错误。其它的⽅法，其他⽅法可关注今后篇章。
常见的统计算法诸如LSD，SNK等⽅法。SPSS列举很多⽅法，总共有14种，分为⽅差齐性的⽅法和⽅差不齐的两类。
1、多重SPSS操作界⾯
分析—⽐较均值—单因素ANOVA检验
2、多重⽐较具体操作⼊⼝
多重⽐较在F检验基础上进⾏，所以多重⽐较的SPSS分析路径基本与F检验⼀致摆线齿轮
①对⽐：此⼊⼝可以选择某2组进⾏t检验（即上⽂所提的⼈⼯规避法进⾏⽐较），结论与常规的t检验⼀致，由于篇幅限制，不再进⾏说明。
②事后⽐较：英⽂为Post HocComparison。所谓事后⽐较，俗称马后炮分析，指的是⼀个研究项⽬设计时未制定⽐较的组别和⽅法，⽽在统计分析阶段进⾏任意组别的两两⽐较，没有很强的针对性。不过，这⼀⼊⼝中的⽅法，不全都属于事后⽐较的⽅法（下⽂有具体介绍）。以下是点击“事后⽐较”后的中英⽂界⾯：
公司注册资本登记制度改革
于事后⽐较的⽅法（下⽂有具体介绍）。以下是点击“事后⽐较”后的中英⽂界⾯：
英⽂列表
中⽂列表
3、多重⽐较SPSS各⽅法的选择
哪种⽅法适合你呢？现在本⼈根据相应的教材提出以下⼏点建议：
刘彭芝
1.⾸先，要弄清楚多重⽐较是事先⽐较，还是事后⽐较；所谓事前，是研究设计时设定的，研究计划书写得明明⽩⽩。⽐如三组⽐较，我设定只进⾏1 v2、2v3，这样可以减少⽐较次数，这样的往往在验证性研究中出现，⼜称计划好的⽐较。事后⽐较，是作者设计时不明确，分析时想试试的⽅法，所以往往属于探索性分析。
金融相关比率
2. 常⽤的事前⽐较⽅法有LSD、和Dunnett法，两种⽅法各有使⽤途径。常⽤的事后⽐较⽅法有SNK、Duncan、Turkey、Scheffe法。
3.LSD法即最⼩显著差法；该法⼀般⽤于计划好的多重⽐较。它其实只是t检验的⼀个简单变形，并未对检验⽔准做出任何校正，只是为所有组的均数统⼀估计了⼀个更为稳健的标准误。
3.如果⽐较的各组样本量相等，Tukey法效率较⾼，所以样本量相似的时候，可以采⽤Tukey⽅法；如果样本量不同，则推荐Scheffe。SNK国内⽂献介绍多，国外反⽽⽤的少，SPSS也不推荐SNK（它⽆法给予更多的两两⽐较结果与置信区间）
4. 事前事后⽐较都通⽤的⽅法是Bonferroni。Bonferroni⽅法较为保守，但最为流⾏。
5.Bonfferoni⽅法实际上就是上⽂所提的α分割⽅法，通过减低单次检验⽔准α来控制总的⼀类错误。但是SPSS的Bonfferoni操作过于死板，各组均数全部需要进⾏两两⽐较。如果只想挑选若⼲组进⾏⽐较，⽐如1vs2，2vs3，此时可以根据α分割法原理，将α直接设定为0.025（0.05/2），在此基础上开展两样本的t检验。
以根据α分割法原理，将α直接设定为0.025（0.05/2），在此基础上开展两样本的t检验。
6. Bonferroni⽅法有⼀个缺点，就是⽐较次数10次以上时，结果过于保守。⼀般情况下，⽐较次数10
次以上时，我们采⽤Sidak⽅法来代替Bonfferroni⽅法
7. 上述这些⽅法，使⽤的前提是各组均满⾜正态性和⽅差齐性，若满⾜正态性⽽不满⾜⽅差齐性时，由于⽅差分析的结果⽐较稳健，故有研究者提出此时适宜采⽤Games-Howell、Tamhanes' T2等多重⽐较⽅法。
8.按照新英格兰医学杂志的建议，如果事后⽐较，不建议提供P值，只提供置信区间。（《新英格兰医学杂志》宣布弱化P值的地位）
5、统计分析结果
（1）Bonferroni分析结果
⼤多数多重⽐较⽆论是结果还是结论呈现⽅式与Bonferroni相似，因此本⽂只列出Bonferroni的结果。
注意：此处显著性即P值，此处检验⽔准α⽆需进⾏α分割处理，⼀类错误经由统计算法校正，因此P<0.05即可认为有统计学差异。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议