精华内容
下载资源
问答
  • 列联表分析

    千次阅读 2018-11-27 16:28:53
    简要讲述了列联表分析的功能以及如何使用FREQ过程来实现。

    功能

    属性数据的表格汇总,同时对两个或两个以上的数据进行分类,获取频数统计表。
    格式:

    proc freq data=dataset_name;
    by variable_list;
    tables [列联表形式];
    run;
    

    注: by指定分组变量,列联表分析在组内进行。
    tables句法:
    1.单变量列联表分析tables 变量列表;
    2. 2×22 \times 2 列联表分析tables 变量1*变量2;
    3. n维列联表分析tables 变量1*变量2*...*变量n;

    以Type作为分组变量,在sashelp.cars中对model和make进行列联表分析。
    代码

    proc freq data=sashelp.cars;
    by Type;
    table model*make;
    run;
    

    结果
    以下就是以Type作为分组变量统计出的结果。

    展开全文
  • 列联表分析基于R语言-附件资源
  • SPSS列联表分析

    千次阅读 2020-09-12 20:42:55
    列联表分析目的适用情景数据处理SPSS操作SPSS输出结果分析知识点 目的 判断两个变量是否存在关联,输出变量各组数据的占比。 适用情景 粗略了解各个变量在不同分类下的占比(感觉没啥用,不如饼图直观) 数据处理 ...

    总目录:SPSS学习整理


    目的

    判断两个变量是否存在关联,输出变量各组数据的占比。

    适用情景

    粗略了解各个变量在不同分类下的占比(感觉没啥用,不如饼图直观)

    数据处理

    在这里插入图片描述

    SPSS操作

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    SPSS输出结果分析

    在这里插入图片描述
    输出各个值在不同组中的占比和总占比,不如饼图直观。
    在这里插入图片描述
    原假设为两组数据的满意度没有显著差异,两种检验均小于0.05,拒绝原假设认为两组数据的满意度有显著差异。
    在这里插入图片描述
    这个条形图也没有什么特点,感觉有点鸡肋。

    知识点

    展开全文
  • 第六章 列联表分析.docx
  • python列联表分析

    2020-11-11 15:21:53
    python列联表分析,生成分类条形图,计算卡方,生成个案数据 ######################################## #### 创建 个案数据 供 spss excel 这样的软件分析 # ######################################## import ...

    python列联表分析,生成分类条形图,计算卡方,生成个案数据

    ########################################
    #### 创建 个案数据 供 spss excel 这样的软件分析 #
    ########################################
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    
    hobby = np.array([[11, 12, 13], [21, 22, 23], [31, 32, 33]])
    hobby2 = np.repeat(hobby, [20, 10, 2, 5, 20, 35, 2, 10, 20])
    hobby2
    r = np.mod(hobby2, 10)
    c = np.floor(hobby2/10)
    
    df = pd.DataFrame(zip(r, c), columns=['age', 'hobby'])
    df
    
    df.to_clipboard()
    
    # pd.crosstab(hobby)
    #
    # pd.crosstab(df)
    #
    # df.groupby(['age', 'hobby']).value_counts()
    # df
    
    df.keys()
    df.groupby(['age']).count()
    df.groupby(['hobby']).count()
    # df.groupby(['age', 'hobby']).count()
    
    # df.pivot_table()
    
    # pd.crosstab(df['age'])
    pd.crosstab(index=df['age'], columns=df['hobby'], )
    
    a = np.array(pd.crosstab(index=df['age'], columns=df['hobby']))
    
    import scipy.stats as stats
    
    stats.chi2_contingency(a)
    
    import seaborn as sns
    
    sns.countplot(x=df['age'], hue=df['hobby'])
    plt.xlabel(['laonian', 'zhognnian', 'qingnian'])
    plt.ylabel(['xiqu', 'gewu', 'qiusai'])
    
    g = sns.countplot(x = df['age'], hue=df['hobby'])
    g.set_xlabel(['lao', 'zhogn', 'qing'])
    # g.set_xtick(['lao', 'zhogn', 'qing'])
    

    结果如下图
    在这里插入图片描述
    卡方
    在这里插入图片描述
    条形图
    在这里插入图片描述

    展开全文
  • 俗话说国以民为本,民以食为天,食品的生产、安全、质量均需要相应的食品资料知识累积与制定,相信这一份...该文档为列联表分析及在SPSS中的实现,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看看
  • 定性数据分析中高维列联表分析流程(附R代码)

    千次阅读 多人点赞 2019-09-21 09:35:03
    高维列联表分析流程 目录 第一章 绪论 7 1.1 问题研究背景 7 1.2 数据来源 7 1.3 研究意义 1 第二章 高维列联表独立性检验 2 2.1 高维列联表的相互独立性检验 2 2.2 高维列联表的边缘独立性检验 2 2.3 高维列联表的...

    第一篇

    关于定性数据分析

    上学期选修了定性数据分析这门课程,教材是王静龙、梁小筠的定性数据分析。

    高维列联表分析流程

    目录
    第一章 绪论 7
    1.1 问题研究背景 7
    1.2 数据来源 7
    1.3 研究意义 1
    第二章 高维列联表独立性检验 2
    2.1 高维列联表的相互独立性检验 2
    2.2 高维列联表的边缘独立性检验 2
    2.3 高维列联表的条件独立性检验 3
    2.3.1层属性“地区”给定时的条件独立性检验 3
    2.3.2行属性“性别”给定时的条件独立性检验 4
    第三章 高维列联表相合性检验 5
    3.1 高维列联表的压缩相合性检验 5
    3.2 高维列联表分层相合性检验 5
    3.3 高维列联表条件相合性检验(Cochran-Mantel-Haenszel检验) 7
    3.2 高维列联表相合齐次性检验(Breslow-Day检验) 8
    第四章 结论与建议 10
    4.1 结论 10
    4.2 相关建议 11
    参考文献 12

    直接上代码给需要的人(R)

    // An highlighted block
    附录4
    ###################定性数据统计分析论文##########
    #####三维列联表的压缩与分层
    ##三维列联表压缩函数,输入为三维列联表(**)数组,按层压缩,得到边缘表
    compress=function(x){
      x_compress=matrix(0,nrow = dim(x)[1],ncol = dim(x)[2])#构建一个与边缘表相同大小的0矩阵
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        x_compress=x_compress+x[,,k]#x[,,k]第k层数据矩阵
      }##dim(z)[3]#数组z的层数
      return(x_compress)#返回边缘表
    }
    
    ##三维列联表分层与相合性检验函数,输入为三维列联表(**)数组,按层分层,得到部分表和检验结果
    layering=function(x){
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        x_layer=x[,,k]#x[,,k]第k层数据矩阵
        print(x_layer)#打印部分表
        congruence_test(x_layer,alternative="greater")###相合性检验,H1:正相合
        cat('\n')
      }##dim(z)[3]#数组z的层数
    }
    congruence_test=function(x,alternative="")
    #适用于列联表的相合性度量与检验问题
    #x为列联表矩阵,alternative对应于备择假设
    {
      n=sum(x)
      G=0;H=0
      r=nrow(x)
      c=ncol(x)
      r1=r-1;c1=c-1
      #计算G:
      for (i in 1:r1){
        for (j in 1:c1){
          G=G+x[i,j]*sum(x[(i+1):r,(j+1):c])
        }
      }
      #计算Hfor (i in 1:r1){
        for (j in 2:c){
          H=H+x[i,j]*sum(x[(i+1):r,1:(j-1)])
        }
      }
      #计算z,TA,TB,TAB:
      z=G-H
      TA=sum(rowSums(x)*(rowSums(x)-1)/2)
      TB=sum(colSums(x)*(colSums(x)-1)/2)
      #TAB=G+H+TA+TB-n*(n-1)/2
      Cn2=n*(n-1)/2
      ######相合性度量######
      #计算各系数的值
      Kendall_tau=z/sqrt((Cn2-TA)*(Cn2-TB))###Kendall-tau系数
      Gamma=(G-H)/(G+H)######Gamma系数
      #####Somers-d系数:
      d_BA=(G-H)/(Cn2-TA)###列联表为2*c,列属性B依赖于行属性A,用d_B|A度量相合性
      d_AB=(G-H)/(Cn2-TB)###列联表为r*2,行属性A依赖于列属性B,用d_A|B度量相合性
      
      #######相合性检验######
      #sigma平方的近似计算公式,表示sigma的平方
      sigma_2=(n^3-sum(rowSums(x)^3))*(n^3-sum(colSums(x)^3))/(9*n^3) 
      #构建检验统计量:U统计量
      U=z/sqrt(sigma_2)
      if(alternative=="two.side")
      {p_value=1-pchisq(U^2, 1)}
      else 
      {
        if(alternative=="greater")####greater:备择假设为正相合
        {p_value=pnorm(-U)}
        else if(alternative=="less")####less:备择假设为负相合
        {p_value=pnorm(U)}
        else{cat("please input:\n alternative= 'two.side','greater',or'less'")}
      }
      cat('关于相合性度量的相关系数:\n')
      cat('G=',G,'\n')
      cat('H=',H,'\n')
      cat('z=',z,'\n')
      cat('T_A=',TA,'\n')
      cat('T_B=',TB,'\n')
      cat('Kendall_tau=',Kendall_tau,'\n')
      cat('Gamma=',Gamma,'\n')
      cat('d_B|A=',d_BA,'\n')
      cat('d_A|B=',d_AB,'\n\n')
      cat('相合性检验:\n')
      cat('检验统计量的值U=',U,'\n')
      cat('p_value=',p_value,'\n')
    }
    ##高维(三维)列联表的条件独立性检验
    Conditional_independence_test=function(x){
      Likelihood_ratio_layer=0
      Likelihood_ratio_row=0
      Likelihood_ratio_col=0
      #层属性C给定时计算似然比检验统计量的值
      #原假设H0:层属性C给定后行属性A与列属性B条件独立,备择假设H1:层属性C给定后行属性A与列属性B不条件独立
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        for (i in 1:dim(x)[1]) {##dim(z)[3]#数组z的层数
          for (j in 1:dim(x)[2]) {
            Likelihood_ratio_layer=Likelihood_ratio_layer+(-2*x[i,j,k]*log(sum(x[i,,k])*sum(x[,j,k])/(sum(x[,,k])*x[i,j,k])))
          }
        }
      }
      #层属性C给定时计算条件独立性检验的p值
      p_value_layer=1-pchisq(Likelihood_ratio_layer, dim(x)[3]*(dim(x)[1]-1)*(dim(x)[2]-1))
      
      #行属性A给定时计算似然比检验统计量的值
      #原假设H0:行属性A给定后层属性C与列属性B条件独立,备择假设H1:行属性A给定后层属性C与列属性B不条件独立
      for (i in 1:dim(x)[1]) {
        for (j in 1:dim(x)[2]) {
          for (k in 1:dim(x)[3]) {
            Likelihood_ratio_row=Likelihood_ratio_row+(-2*x[i,j,k]*log(sum(x[i,,k])*sum(x[i,j,])/(sum(x[i,,])*x[i,j,k])))
          }
        }
      }
      #行属性A给定时计算条件独立性检验的p值
      p_value_row=1-pchisq(Likelihood_ratio_row, dim(x)[1]*(dim(x)[2]-1)*(dim(x)[3]-1))
      
      #列属性B给定时计算似然比检验统计量的值
      #原假设H0:列属性B给定后行属性A与层属性C条件独立,备择假设H1:列属性B给定后行属性A与层属性C不条件独立
      for (j in 1:dim(x)[2]) {
        for (i in 1:dim(x)[1]) {
          for (k in 1:dim(x)[3]) {
            Likelihood_ratio_col=Likelihood_ratio_col+(-2*x[i,j,k]*log(sum(x[i,j,])*sum(x[,j,k])/(sum(x[,j,])*x[i,j,k])))
          }
        }
      }
      #列属性B给定时计算条件独立性检验的p值
      p_value_col=1-pchisq(Likelihood_ratio_col, dim(x)[2]*(dim(x)[1]-1)*(dim(x)[3]-1))
      
      cat('层属性给定时条件独立性检验的似然比检验统计量及p值为:\n')
      cat('Likelihood_Ratio_Layer=',Likelihood_ratio_layer,'\n')
      cat('P_value-Layer=',p_value_layer,'\n')
      cat('行属性给定时条件独立性检验的似然比检验统计量及p值为:\n')
      cat('Likelihood_Ratio_Row=',Likelihood_ratio_row,'\n')
      cat('P_value-Row=',p_value_row,'\n')
      cat('列属性给定时条件独立性检验的似然比检验统计量及p值为:\n')
      cat('Likelihood_Ratio_Col=',Likelihood_ratio_col,'\n')
      cat('P_value-Col=',p_value_col,'\n')
      
    }
    ##高维列联表的独立性检验情况一(相互独立-H0:属性ABC相互独立<->H1:属性ABC不相互独立)
    Independent_test=function(x){
      Likelihood_ratio_eachother=0
      #原假设H0:属性ABC相互独立,备择假设H1:属性ABC不相互独立
      #计算似然比检验统计量
      for (i in 1:dim(x)[1]) {
        for (j in 1:dim(x)[2]) {
          for (k in 1:dim(x)[3]) {
            Likelihood_ratio_eachother=Likelihood_ratio_eachother+(-2*x[i,j,k]*log(sum(x[i,,])*sum(x[,j,])*sum(x[,,k])/((sum(x[,,]))^2*x[i,j,k])))
          }
        }
      }
      #计算属性ABC的相互独立的独立性检验的p值
      p_value_eachother=1-pchisq(Likelihood_ratio_eachother, dim(x)[1]*dim(x)[2]*dim(x)[3]-dim(x)[1]-dim(x)[2]-dim(x)[3]+2)
      
      cat('属性A、B、C相互独立的独立性检验的似然比检验统计量及p值为:\n')
      cat('Likelihood_Ratio_Eachother=',Likelihood_ratio_eachother,'\n')
      cat('P_value-Eachother=',p_value_eachother,'\n')
    }
    
    ##高维列联表的独立性检验情况二(边缘独立性检验)
    #原假设H0:属性A(B,C)相互独立<->备择假设H1:A(B,C)不相互独立,属性B(A,C)及属性C(A,B)类似
    Edge_independence_test=function(x){
      Likelihood_ratio_layer_edge=0
      Likelihood_ratio_row_edge=0
      Likelihood_ratio_col_edge=0
      #层属性C与另外俩个属性合并所得的边缘表
      #计算似然比检验统计量的值
      #原假设H0:层属性C(A,B)相互独立<->备择假设H1:C(A,B)不相互独立
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        for (i in 1:dim(x)[1]) {##dim(z)[3]#数组z的层数
          for (j in 1:dim(x)[2]) {
            Likelihood_ratio_layer_edge=Likelihood_ratio_layer_edge+(-2*x[i,j,k]*log(sum(x[,,k])*sum(x[i,j,])/(sum(x[,,])*x[i,j,k])))
          }
        }
      }
      #层属性C与另外俩个属性合并所得的边缘表下计算边缘独立性检验的p值
      p_value_layer_edge=1-pchisq(Likelihood_ratio_layer_edge, (dim(x)[3]-1)*(dim(x)[1]*dim(x)[2]-1))
      
      #行属性A与另外俩个属性BC合并所得的边缘表
      #计算似然比检验统计量的值
      #原假设H0:层属性A(B,C)相互独立<->备择假设H1:A(B,C)不相互独立
      for (i in 1:dim(x)[1]) {
        for (j in 1:dim(x)[2]) {
          for (k in 1:dim(x)[3]) {
            Likelihood_ratio_row_edge=Likelihood_ratio_row_edge+(-2*x[i,j,k]*log(sum(x[i,,])*sum(x[,j,k])/(sum(x[,,])*x[i,j,k])))
          }
        }
      }
      #行属性A与另外俩个属性BC合并所得的边缘表的边缘独立性检验的p值
      p_value_row_edge=1-pchisq(Likelihood_ratio_row_edge, (dim(x)[1]-1)*(dim(x)[2]*dim(x)[3]-1))
      
      #列属性B与另外俩个属性AC合并所得的边缘表
      #计算似然比检验统计量的值
      #原假设H0:列属性B(A,C)相互独立<->备择假设H1:B(A,C)不相互独立
      for (j in 1:dim(x)[2]) {
        for (i in 1:dim(x)[1]) {
          for (k in 1:dim(x)[3]) {
            Likelihood_ratio_col_edge=Likelihood_ratio_col_edge+(-2*x[i,j,k]*log(sum(x[,j,])*sum(x[i,,k])/(sum(x[,,])*x[i,j,k])))
          }
        }
      }
      #列属性B与另外俩个属性AC合并所得的边缘表的边缘独立性检验的p值
      p_value_col_edge=1-pchisq(Likelihood_ratio_col_edge, (dim(x)[2]-1)*(dim(x)[1]*dim(x)[3]-1))
      
      cat('层属性C与另外俩个属性AB合并下所得的边缘表的相互独立性检验(边缘表独立性检验)的似然比检验统计量及p值为:\n')
      cat('Likelihood_Ratio_Layer_Edge=',Likelihood_ratio_layer_edge,'\n')
      cat('P_value-Layer_Edge=',p_value_layer_edge,'\n')
      cat('行属性A与另外俩个属性BC合并下所得的边缘表的相互独立性检验(边缘表独立性检验)的似然比检验统计量及p值为:\n')
      cat('Likelihood_Ratio_Row_Edge=',Likelihood_ratio_row_edge,'\n')
      cat('P_value-Row_Edge=',p_value_row_edge,'\n')
      cat('列属性B与另外俩个属性AC合并下所得的边缘表的相互独立性检验(边缘表独立性检验)的似然比检验统计量及p值为:\n')
      cat('Likelihood_Ratio_Col_Edge=',Likelihood_ratio_col_edge,'\n')
      cat('P_value-Col_Edge=',p_value_col_edge,'\n')
    }
    
    ##条件相合性检验(Cochran-Mantel-Haenszel chi-square检验)
    #H0:层属性C给定后行属性A与列属性B条件独立<->H1:层属性C给定后行属性A与列属性B条件正向合(条件负向合、条件相合)
    Cochran_Mantel_Haenszel=function(x,alternative=""){#条件相合性检验
      U_test_statistic=0
      U_part_up1=0
      U_part_up2=0
      U_part_low=0
      
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        U_part_up1=U_part_up1+x[1,1,k]#公式上部分前部分
        U_part_up2=U_part_up2+sum(x[1,,k])*sum(x[,1,k])/sum(x[,,k])#公式上部分后部分
        U_part_low=U_part_low+sum(x[1,,k])*sum(x[2,,k])*sum(x[,1,k])*sum(x[,2,k])/((sum(x[,,k]))^2*(sum(x[,,k])-1))#公式下部分未开方部分
      }
      U_test_statistic=(U_part_up1-U_part_up2)/sqrt(U_part_low)
      chi_square_statistic=U_test_statistic^2
      
      if(alternative=="two.side")####two.side:备择假设为条件相合
      {p_value=1-pchisq(chi_square_statistic, 1)}
      else 
      {
        if(alternative=="greater")####greater:备择假设为条件正相合
        {p_value=pnorm(-U_test_statistic)}
        else if(alternative=="less")####less:备择假设为条件负相合
        {p_value=pnorm(U_test_statistic)}
        else{cat("please input:\n alternative= 'two.side','greater',or'less'")}
      }
      cat('条件相合性检验:\n')
      cat('检验统计量的值U_test_statistic=',U_test_statistic,'\n')
      cat('p_value=',p_value,'\n')
    }
    
    
    ###高维列联表条件相合齐性检验(Breslow-Day chi-square检验)(优比检验)
    #检验各层条件相合程度是否相同
    #原假设H0:各层条件相合程度相同theta_1=...=theta_t<->H1:各层相合程度不全相同theta_1...theta_t不全相等
    Breslow_Day_test=function(x){
      theta_estimate=0
      eta_mean_up=0
      eta_mean_low=0
      Chi_square_statistic=0
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        theta_estimate=x[1,1,k]*x[2,2,k]/(x[1,2,k]*x[2,1,k])
        a=1/x[1,1,k]+1/x[1,2,k]+1/x[2,1,k]+1/x[2,2,k]
        eta_k=log(theta_estimate)
        eta_mean_up=eta_mean_up+eta_k/a
        eta_mean_low=eta_mean_low+1/a
      }
      eta_mean=eta_mean_up/eta_mean_low
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        theta_estimate=x[1,1,k]*x[2,2,k]/(x[1,2,k]*x[2,1,k])
        a=1/x[1,1,k]+1/x[1,2,k]+1/x[2,1,k]+1/x[2,2,k]
        eta_k=log(theta_estimate)
        Chi_square_statistic=Chi_square_statistic+(eta_k-eta_mean)^2/a
      }
      p_value=1-pchisq(Chi_square_statistic,dim(x)[3]-1)
      cat('各层条件相合齐性检验统计量及p值为:\n')
      cat('Chi_Square_Statistic=',Chi_square_statistic,'\n')
      cat('P_value=',p_value,'\n')
    }
    
    
    ##导入第四章相合性检验函数,用于计算边缘表和部分表的相合性检验
    source("D://Rcode//定性数据统计分析//第四章//第4章.r",encoding = "utf-8")
    
    ##导入第五章
    source("D://Rcode//定性数据统计分析//第五章//第5章.r",encoding = "utf-8")
    
    data=read.csv('三维列联表csv格式.csv')
    print(data)
    data1=data[-1,-1]
    print(data1)
    data2=t(data1)
    data3=as.vector(data2)
    print(data3)
    data3=data3/10000
    
    dim1 <- c("男","女")
    dim2 <- c("未上学","小学","初中","高中","专科","本科","研究生")#列属性
    dim3 <- c("北京","天津","河北","山西","内蒙古","辽宁","吉林","黑龙江","上海","江苏","浙江","安徽","福建","江西","山东","河南","湖北","湖南","广东","广西","海南","重庆","四川","贵州","云南","西藏","陕西","甘肃","青海","宁夏","新疆")#层属性
    ##myarray <- array(vector, dimensions, dimnames)
    population <- array(data3,c(2,7,31),dimnames = list(dim1,dim2,dim3))#三维4*4*3列联表
    population
    
    ##独立性检验
    Independent_test(population)
    
    ##边缘独立性检验
    Edge_independence_test(population)
    
    ##高维列联表的独立性检验情况三(条件独立性检验)
    Conditional_independence_test(population)
    ################三维列联表的压缩与检验
    z_compress=compress(population)
    z_compress#压缩后所得边缘表
    #对压缩后所得边缘表进行相合性检验
    congruence_test(z_compress,alternative="less")
    
    layering1=function(x){
      for (k in 1:dim(x)[3]) {##dim(z)[3]#数组z的层数
        x_layer=x[,,k]#x[,,k]第k层数据矩阵
        print(k)
        print(x_layer)#打印部分表
        
        congruence_test(x_layer,alternative="less")###相合性检验,H1:负相合
        cat('\n')
      }##dim(z)[3]#数组z的层数
    }
    
    #分层相合性检验
    layering1(population)
    
    #条件相合性检验
    Cochran_Mantel_Haenszel(population,alternative = "less")
    
    #相合其次性检验
    #Breslow_Day_test(population)
    
    dim4 <- c("男","女")
    dim5 <- c("未上学","上学")#列属性
    dim6 <- c("北京","天津","河北","山西","内蒙古","辽宁","吉林","黑龙江","上海","江苏","浙江","安徽","福建","江西","山东","河南","湖北","湖南","广东","广西","海南","重庆","四川","贵州","云南","西藏","陕西","甘肃","青海","宁夏","新疆")#层属性
    
    for (k in 1:dim(population)[3]) {##dim(z)[3]#数组z的层数
      population1=population[,,k]#x[,,k]第k层数据矩阵
      print(k)
      a=population1[1,1]
      b=population1[1,2]+population1[1,3]+population1[1,4]+population1[1,5]+population1[1,6]+population1[1,7]
      c=population1[2,1]
      d=population1[2,2]+population1[2,3]+population1[2,4]+population1[2,5]+population1[2,6]+population1[2,7]
      population2<- array(c(a,c,b,d),c(2,2,31),dimnames = list(dim4,dim5,dim6))#
      print(population2)#打印部分表
      
      cat('\n')
    }##dim(z)[3]#数组z的层数
    
    Breslow_Day_test(population2)
    

    关注微信公众号菜田里的守望者
    回复:定性数据分析 获取更多定性数据分析相关源码

    需要完整代码或书籍PDF版的小伙伴可关注微信公众号:菜田里守望者
    在这里插入图片描述
    打开微信扫一扫关注吧,你们的支持就是我的动力

    展开全文
  • 利用列联表分析方法,对我馆电子阅览室、校外网吧、学生宿舍等上网地点的上网内容进行了交叉分析,并利用对应分析给出了形象表达,在对比分析的基础上,提出了改进我馆电子阅览室工作的几点建议。
  • 在统计实践中,人们经常需要对样本资料进行各种各样的分类,以便分析研究。如果对样本资料按照两个指标变量进行...这种对列联表中两分类变量是否独立的检验,也是假设检验的一个重要内容,称为列联表分析或列联表检验。
  • 利用列联表分析方法,对我馆电子阅览室、校外网吧、学生宿舍等上网地点的上网内容进行了交叉分析,并利用对应分析给出了形象表达,在对比分析的基础上,提出了改进我馆电子阅览室工作的几点建议。
  • excel之列联表分析

    万次阅读 2017-11-29 21:37:01
    EXCEL中列联表分析列联表构造:1.由两个以上变量交叉分类的频数分布表 2.行变量类别用r,ri表示底i个类别 列变量类别用c,cj表示底j个类别 3.每种组合的观察频数用fij表示 4.一个r行c列的列联表称为r*c列联表 ...
  • IBM SPSS Statistics的列联表分析,也称为交叉表分析,用于分析两个或以上分组变量的相关关系,在分析影响满意度的因素、药物有效性等方面都有很好的应用。 本文将以较为简单的二乘二列联表卡方检验为例,介绍一下...
  • 2 X 2 列联表分析

    千次阅读 2011-03-10 18:33:00
    列联表在统计中运用很广泛,尤其是在分类数据方面,2x2列联表是其中最基础的。...概况起来该种列联表分析法可以描绘的情况有: 1.数据由(分层)随机抽样获得,样本来自两组独立的服从二项分布的总体
  • 列联表分析基于R语言

    万次阅读 2016-10-09 19:17:31
    列联表,变量组合形式的二维列联表,未出现的变量组合
  • 3.5列联表分析

    2018-02-22 12:44:00
    一 .计算频率 proc freq data=data-set-name; tables var1; run;.../* 输出结果:frequency,percent,cumulative frequency,...制交叉cross tabulation proc freq data=data-set-name; tables x*y; r...
  • 所谓列联表分析,就是分析特定对象的两个,或者多个不同特征的分类方法之间是否存在关联关系。以顾客这个对象为例子,它可以按性别分类为男女,也可以按单次消费金额分类为高,中,底几个档次,通过列联表的相关分析...
  • 列联表分析-独立性检验

    千次阅读 2020-06-15 20:36:35
    用SPSS分析甲乙丙三名推销员的对ABC三类产品的销售数据有无显著差异 数据如下: 导入数据 将销量进行加权 点击分析-描述统计–交叉; 结果 当表格是2X2的时候得到结果如下:
  • 第一步:建立原假设和备择假设 H0:两变量相不立;H1:u两变量相互b独立 ...第四步:查χ2方分布临界值,确定接受域 一个例子:检验性别和信来世是否独立 另外一种计算卡方值得方法: ...
  • 第十一章 列联表分析

    2011-08-21 17:02:01
    为了了解色盲与性别的联系,调查了1000人,按性别及是否色盲分类。
  • 上一节,在IBM SPSS Statistics中我们已经将满意度重新编码为仅包含满意、不满意两个变量值的变量,并简单了解了列联表的变量选择面板。本节,将会通过实例进一步探究满意度与性别间的相关关系。 一、选择变量 ...
  • H1:两变量相互独立 Step2:计算自由度与理论频数 Step3:计算统计量 Step4:查χ2方分布临界值,确定接受域例:对表1所示频数分布,以95%显著水平,检验色觉与性别是否有关。解: Step1:H0:色觉与性别...
  • 分类数据之列联表分析案例with sas

    千次阅读 2013-09-29 15:52:45
    *一,随机设计四格; options validvarname=any; data test1; input 用药 $ 敏感性 $ 计数; datalines; 服药 不敏感 180 服药 敏感 215 未服药 不敏感 73 未服药 敏感 106 ; proc freq data=test1 order=data; ...
  • 中央财经大学统计学院 第 12 章 列联表和 对应分析 列联表中两个变量的独立性检验 对应分析 中央财经大学统计学院 2 学习目标 ? 列联表中两个变量独立性检验的原理 和软件结果解释 ? 对应分析的基本原理和软件结果...
  • 第12章 列联表和对应分析 列联表中两个变量的独立性检验 对应分析 学习目标 列联表中两个变量独立性检验的原理和软件结果解释 对应分析的基本原理和软件结果分析 例12.1美国的General Social Survey 二维列联表中的...
  • 列联表与卡方分析

    千次阅读 2019-09-02 21:24:14
    卡方分析用于比较不同组之间的构成比,它的零假设是假定各组之间的构成是相同的,计算出理论每组的理论构成比,再计算理论值与实际值的差别,如果差别大的话...与卡方分析有关的数据形式主要有四格检验,无序RC...
  • SPSS——描述性统计分析——列联表

    万次阅读 多人点赞 2016-07-05 22:28:41
    什么是列联表列联表又称交互分类表,所谓交互分类,是指同时依据两个变量的值,将所研究的个案分类。交互分类的目的是将两变量分组,然后比较各组的分布状况,以寻找变量间的关系。这里是按两个变量交叉分类的,该...
  • 列联表篇之二:四格表的分析

    千次阅读 2018-04-20 15:15:02
    转载出处:https://zhuanlan.zhihu.com/p/27312651 在列联表中,二维表是最基础的一类表,在二维表中,四格表是最基础的一类表。 四格表的基本形式在《经典比较篇之十一:小样本的比率比较怎么做?》中已经介绍,...

空空如也

空空如也

1 2 3 4 5 ... 13
收藏数 257
精华内容 102
关键字:

列联表分析