如何選擇恰當的方法進行統計分析

① 如何做數據統計與分析

數據統計與分析的方法有：1.比較分析法，是統計分析中最常用的方法。是通過有關的指標對比來反映事物數量上差異和變化的方法。指標分析對比分析方法可分為靜態比較和動態比較分析。靜態比較是同一時間條件下不同總體指標比較，如不同部門、不同地區、不同國家的比較，也叫橫向比較；動態比較是同一總體條件不同時期指標數值的比較，也叫縱向比較。這兩種方法既可單獨使用，也可結合使用。2.分組分析法，統計分析不僅要對總體數量特徵和數量關系進行分析，還要深入總體的內部進行分組分析。分組分析法就是根據統計分析的目的要求，把所研究的總體按照一個或者幾個標志劃分為若干個部分，加以整理，進行觀察、分析，以揭示其內在的聯系和規律性。
統計分組法的關鍵問題在於正確選擇分組標值和劃分各組界限。

② 如何合理選擇統計方法

為什麼說統計分組的關鍵是選擇分組標志和劃分相鄰兩組間...
組標志的選擇是統計分組的關鍵。分組標志，即將同質總體區分為不同組的標准或依據。分組標志一旦選定，就必然突出了總體在該標志下的性質差別，其他的差別看不見了。分組標志選擇不當，不但無法顯示現象的根本特徵，甚至會混淆事物的性質，歪曲社會經濟的真實情況。 分組標志的選擇直接影響分組後的數據所能表現出來的特徵，即分組後的數據是否與研究目的相關。舉例來說，你要研究老齡化問題，那麼對人口進行分組時一定要選擇年齡（或者年齡是最重要的一個分組標志）。如果你用其它標志分組，可能會導致分組後數據不能滿足研究目的（如按文化程度分組）。所以分組標志的選擇是統計分組的關鍵。
劃分相鄰組的界限，就是確定組限。合理的組限才能實現統計分組的目的：組間性質不同，組內性質相同。

③ 統計數據分析有哪些方法

1、對比分析法

就是將某一指標與選定的比較標准進行比較，比如：與歷史同期比較、與上期比較、與其他競爭對手比較、與預算比較。一般用柱狀圖進行呈現。

2、結構分析法

就是對某一項目的子項目佔比進行統計和分析，一般用餅圖進行呈現。比如：A公司本年度營業額為1000萬，其中飲料營業額佔33.6%、啤酒佔55%，其他產品的營業額佔11.4%。

3、趨勢分析法

就是對某一指標進行連續多個周期的數據進行統計和分析，一般用折線圖進行呈現。比如：A公司前年度營業額為880萬，去年900萬，本年度1000萬，預計明年為1080萬。

4、比率分析法

就是用相對數來表示不同項目的數據比率，比如：在財務分析中有“盈利能力比率、營運能力比率、償債能力比率、增長能力比率”。

5、因素分析法

就是對某一指標的相關影響因素進行統計與分析。比如，房價與物價、土地價格、地段、裝修等因素有關

6、綜合分析法

就是運用多種分析方法進行數據的統計與分析，比如：5W2H分析法、SWOT分析法、PEST分析法、漏斗分析法等。

④ 統計分析方法整理

京東一面掛、阿里簡歷掛，陸續收到位元組的筆試和滴滴的筆試，我相信快手的我也會收到的！！！

機會越來越少!但也決不放棄！！！秋招虐我千百遍，我心依然向明月。

害，互聯網失敗了，市場咨詢公司混兩年，殺回互聯網用鹽。

分析方法的選擇應當是以目標為導向的，根據不同的項目和數據類型選擇合適的方法。

統計分析方法可以分為描述統計分析和推斷統計分析兩類。

描述統計：表格、圖形、數量指標（均值方差等）

推斷統計 ：通過樣本推斷總體，可以進行因果關系揭示、結果預測等（接下來主要總結這個哈~）

假設檢驗是在對總體參數提出假設的基礎上，利用樣本信息來判斷假設是否成立的方法。在假設檢驗中，首先需要提出兩種假設：原假設和備擇假設。原假設為研究者想收集證據予以推翻的假設。備擇假設是研究者想要驗證的假設。

假設檢驗步驟

（1）提出假設

（2）構造檢驗統計量，並計算該統計量，獲得p值

（3）比較顯著性水平和p值，做出判斷

PS：KS日常實習面試，面試官問一個人對三張圖片打分，想知道這三張圖片的打分有沒有差異，用什麼檢驗？三組人對三張圖進行打分，比較三張圖的差異是什麼檢驗？

回歸分析是為了探求因變數與自變數之間的因果關系的分析方法。不僅可以解釋x對y的影響大小，還可以通過回歸方程進行預測。

R方：擬合優度，表示因變數y的總變差中被多個自變數所共同解釋的比例

線性關系檢驗：（F檢驗）所有自變數聯合起來對因變數的影響是否顯著

回歸系數檢驗：（t檢驗）單個自變數對因變數的影響是否顯著

多重共線性：方差擴大因子（VIF值）越大表明多重共線性越嚴重，一般小於10，嚴格小於5

可以用相關系數對變數進行剔除，也可以採用逐步回歸的方法進行改進。

數據降維的方法

通過考察變數間的相關性，找到少數幾個主成分來代表原來的多個原始變數的信息

在實施過程中，通過方差貢獻率來確定主成分的個數，如果兩個主成分累計方差貢獻率達到85%，那麼就可以確定前兩個成分為主成分

數據降維的方法

通過找到少數幾個因子來代表原始變數

因子分析的步驟：

（1）數據檢驗——KMO和球形度檢驗

（2）提取因子——主成分法

（3）因子旋轉——方差最大正交旋轉（方便因子的命名和解釋）

（4）計算因子得分——根據因子得分系數矩陣，可以算出每個樣本的因子得分，通過因子得分可以對樣本進行排序，分類等等 

按照相似性把對象進行分類的方法，使組內差異盡可能小，組間差異盡可能大

層次聚類法（系統聚類法）——事先不需要確定類別個數

K-means聚類法——事先需要確定類的個數

類別個數：根據研究目的、每個類別樣本的分布情況，類別間的差異大小 確定。

⑤ 如何運用統計分析方法

統計分析法就是運用數學方式，建立數學模型，對通過調查獲取的各種數據及資料進行數理統計和分析，形成定量的結論。
統計分析方法是目前廣泛使用的現代科學方法，是一種比較科學、精確和客觀的測評方法。其具體應用方法很多，在實踐中使用較多的是指標評分法和圖表測評法。

⑥ 統計方法如何選擇

統計資料豐富且錯綜復雜，要想做到合理選用統計分析方法並非易事。對於同一個資料，若選擇不同的統計分析方法處理，有時其結論是截然不同的。
正確選擇統計方法的依據是：
①根據研究的目的，明確研究試驗設計類型、研究因素與水平數；
②確定數據特徵(是否正態分布等)和樣本量大小；
③ 正確判斷統計資料所對應的類型(計量、計數和等級資料)，同時應根據統計方法的適宜條件進行正確的統計量值計算；
最後，還要根據專業知識與資料的實際情況，結合統計學原則，靈活地選擇統計分析方法。

⑦ 統計分析方法 有哪些統計分析方法

1、描述統計。描述性統計是指運用製表和分類，圖形以及計筠概括性數據來描述數據的集中趨勢、離散趨勢、偏度、峰度。

（1）缺失值填充：常用方法：剔除法、均值法、最小鄰居法、比率回歸法、決策樹法。

（2）正態性檢驗：很多統計方法都要求數值服從或近似服從正態分布，所以之前需要進行正態性檢驗。常用方法：非參數檢驗的K-量檢驗、P-P圖、Q-Q圖、W檢驗、動差法。

2、假設檢驗

（1）參數檢驗。參數檢驗是在已知總體分布的條件下（一股要求總體服從正態分布）對一些主要的參數(如均值、百分數、方差、相關系數等）進行的檢驗 。U驗 使用條件：當樣本含量n較大時，樣本值符合正態分布。T檢驗 使用條件：當樣本含量n較小時，樣本值符合正態分布。單樣本t檢驗：推斷該樣本來自的總體均數μ與已知的某一總體均數μ0 (常為理論值或標准值)有無差別；配對樣本t檢驗：當總體均數未知時，且兩個樣本可以配對，同對中的兩者在可能會影響處理效果的各種條件方面扱為相似；兩獨立樣本t檢驗：無法找到在各方面極為相似的兩樣本作配對比較時使用。

（2）非參數檢驗。非參數檢驗則不考慮總體分布是否已知，常常也不是針對總體參數，而是針對總體的某些一股性假設（如總體分布的位罝是否相同，總體分布是否正態）進行檢驗。適用情況：順序類型的數據資料，這類數據的分布形態一般是未知的。雖然是連續數據，但總體分布形態未知或者非正態；體分布雖然正態，數據也是連續類型，但樣本容量極小，如10以下；

主要方法包括：卡方檢驗、秩和檢驗、二項檢驗、遊程檢驗、K-量檢驗等。

3、信度分析

檢査測量的可信度，例如調查問卷的真實性。分類：

（1）外在信度：不同時間測量時量表的一致性程度，常用方法重測信度

（2）內在信度；每個量表是否測量到單一的概念，同時組成兩表的內在體項一致性如何，常用方法分半信度。

4、列聯表分析。用於分析離散變數或定型變數之間是否存在相關。

對於二維表，可進行卡方檢驗，對於三維表，可作Mentel-Hanszel分層分析。列聯表分析還包括配對計數資料的卡方檢驗、行列均為順序變數的相關檢驗。

5、相關分析

研究現象之間是否存在某種依存關系，對具體有依存關系的現象探討相關方向及相關程度。

（1）單相關： 兩個因素之間的相關關系叫單相關，即研究時只涉及一個自變數和一個因變數；

（2）復相關 ：三個或三個以上因素的相關關系叫復相關，即研究時涉及兩個或兩個以上的自變數和因變數相關；

（3）偏相關：在某一現象與多種現象相關的場合，當假定其他變數不變時，其中兩個變數之間的相關關系稱為偏相關。

6、方差分析

使用條件：各樣本須是相互獨立的隨機樣本；各樣本來自正態分布總體；各總體方差相等。

（1）單因素方差分析：一項試驗只有一個影響因素，或者存在多個影響因素時，只分析一個因素與響應變數的關系

（2）多因素有交互方差分析：一頊實驗有多個影響因素，分析多個影響因素與響應變數的關系，同時考慮多個影響因素之間的關系

（3）多因素無交互方差分析：分析多個影響因素與響應變數的關系，但是影響因素之間沒有影響關系或忽略影響關系

（4）協方差分祈：傳統的方差分析存在明顯的弊端，無法控制分析中存在的某些隨機因素，使之影響了分祈結果的准確度。協方差分析主要是在排除了協變數的影響後再對修正後的主效應進行方差分析，是將線性回歸與方差分析結合起來的一種分析方法，

⑧ 常用統計分析方法有哪些

1、對比分析法

對比分析法指通過指標的對比來反映事物數量上的變化，屬於統計分析中常用的方法。常見的對比有橫向對比和縱向對比。

橫向對比指的是不同事物在固定時間上的對比，例如，不同等級的用戶在同一時間購買商品的價格對比，不同商品在同一時間的銷量、利潤率等的對比。

縱向對比指的是同一事物在時間維度上的變化，例如，環比、同比和定基比，也就是本月銷售額與上月銷售額的對比，本年度1月份銷售額與上一年度1月份銷售額的對比，本年度每月銷售額分別與上一年度平均銷售額的對比等。利用對比分析法可以對數據規模大小、水平高低、速度快慢等做出有效的判斷和評價。

2、分組分析法

分組分析法是指根據數據的性質、特徵，按照一定的指標，將數據總體劃分為不同的部分，分析其內部結構和相互關系，從而了解事物的發展規律。

根據指標的性質，分組分析法分為屬性指標分組和數量指標分組。所謂屬性指標代表的是事物的性質、特徵等，如姓名、性別、文化程度等，這些指標無法進行運算；而數據指標代表的數據能夠進行運算，如人的年齡、工資收入等。分組分析法一般都和對比分析法結合使用。

3、預測分析法

預測分析法主要基於當前的數據，對未來的數據變化趨勢進行判斷和預測。預測分析一般分為兩種：一種是基於時間序列的預測，例如，依據以往的銷售業績，預測未來3個月的銷售額；另一種是回歸類預測，即根據指標之間相互影響的因果關系進行預測，例如，根據用戶網頁瀏覽行為，預測用戶可能購買的商品。

4、漏斗分析法

漏斗分析法也叫流程分析法，它的主要目的是專注於某個事件在重要環節上的轉化率，在互聯網行業的應用較普遍。比如，對於信用卡申請的流程，用戶從瀏覽卡片信息，到填寫信用卡資料、提交申請、銀行審核與批卡。

最後用戶激活並使用信用卡，中間有很多重要的環節，每個環節的用戶量都是越來越少的，從而形成一個漏斗。使用漏斗分析法，能使業務方關注各個環節的轉化率，並加以監控和管理，當某個環節的轉換率發生異常時，可以有針對性地優化流程，採取適當的措施來提升業務指標。

5、AB測試分析法

AB 測試分析法其實是一種對比分析法，但它側重於對比A、B兩組結構相似的樣本，並基於樣本指標值來分析各自的差異。

例如，對於某個App的同一功能，設計了不同的樣式風格和頁面布局，將兩種風格的頁面隨機分配給使用者，最後根據用戶在該頁面的瀏覽轉化率來評估不同樣式的優劣，了解用戶的喜好，從而進一步優化產品。

除此之外，要想做好數據分析，讀者還需掌握一定的數學基礎，例如，基本統計量的概念（均值、方差、眾數、中位數等），分散性和變異性的度量指標（極差、四分位數、四分位距、百分位數等），數據分布（幾何分布、二項分布等），以及概率論基礎、統計抽樣、置信區間和假設檢驗等內容，通過相關指標和概念的應用，讓數據分析結果更具專業性。

⑨ 正確選擇相關性分析的統計方法

轉自： https://www.medsci.cn/article/show_article.do?id=55c91839569a

相關性分析主要用於：（1）判斷兩個或多個變數之間的統計學關聯；（2）如果存在關聯，進一步分析關聯強度和方向。

那麼，什麼樣的研究可以進行相關性分析呢？我們在這里列舉了幾個相關性研究的例子供大家參考：

確定要進行相關性分析後，對兩個變數或多個變數進行相關性分析所採取的統計方法是不同的。那麼，怎麼判斷研究變數的數量呢？

我們分別就兩個變數的研究和三個及以上變數的研究進行了舉例，幫助大家理解。同時，我們也對例子中變數數據類型進行了描述（如，連續變數、二分類變數、無序分類變數和有序分類變數）。

確定擬分析變數之間的相關性後，我們需要判斷變數的數據類型。

變數的數據類型主要分為連續變數、二分類變數、無序分類變數和有序分類變數4類。擬分析的變數可以同屬於一個數據類型，也可以分屬不同的數據類型。根據這兩個變數數據類型的不同，應採用的統計分析方法也不同。

連續變數是指對連續的指標測量所得到的數值，比如體重。其特點是等距區間的差異相同，例如體重在50kg-60kg之間的差異與60kg-70kg之間的差異相同。連續變數的示例如下：

有序分類變數可以有兩個或者多個已排序的類別。舉例來說，如果某患者的治療結果是「痊癒」、「好轉」、「不變」或者「惡化」。這就是一個有序分類變數，因為可以對四個類別進行排序。

需要注意的是，雖然我們可以對有序分類變數的類別排序，但還需要判斷這種類別排序是不是等距的。例如，用各年齡段的近似中位數代表年齡類別，即24（18-30）歲、40（31-50）歲、60（51-70）歲、80（70歲以上）歲，可以將年齡視為定距變數。

但將患者的診療結果「痊癒」、「好轉」、「無變化」或者「惡化」就不能認為是等距的，換句話說，不能認為「好轉」是「無變化」的2倍；也不能認為「痊癒」和「好轉」的差異與「不變」和「惡化很滿意」的差異一樣，即有序分類變數各類別之間不是可能是定距、也可能不是定距的，這是與連續變數的根本不同。有序分類變數的示例如下：

患者對醫療效果的滿意程度，用5類測量：1-非常不滿意、2-不滿意、3-一般、4-滿意、5-非常滿意

對疾病的療效：用4類測量：1-痊癒、2-好轉、3-不變、4-變差

BMI指數是一種用於評估體重水平的指標。一般來說，BMI是連續變數（例如BMI為23.7或BMI為34.1），但按以下方式分類時可以視為有序分類變數：體重過輕（BMI小於18.5）、健康/正常體重（BMI在18.5—23.9之間）、超重（BMI在24—27.9之間）和肥胖（BMI大於28）。

二分類變數是只有兩個類別的分類變數。二分類變數的類別之間沒有順序，不能像有序分類變數的類別那樣進行排序。比如，性別變數就是一個二分類變數，可以分為「男性」和「女性」兩個分類。再如，罹患心臟病也是一個二分類變數，分為「是」和「否」兩個分類。

二分類變數類別是互斥的，一個研究對象不能同時分屬於兩個類別，比如一個人不能同時是男性或者女性，也不能同時患有心臟病又沒有心臟病。二分類變數的示例如下：

性別，兩個類別：男性或女性

罹患心臟病，兩個類別：是或否

研究分組，兩個類別：實驗組或對照組

無序分類變數是具有三個及以上類別的分類變數。無序分類變數的類別之間沒有內在順序，也不能像有序分類變數類別那樣進行排序。比如，出行方式是一個典型的無序分類變數，可以分為自行車、自駕、計程車、地鐵或公交5個類別。無序分類變數的類別也是互斥的，一個研究對象不能同時分屬於不同的類別，比如一次出行不能同時坐地鐵又自己開車。無序分類變數的示例如下：

手機品牌，四個類別：蘋果、三星、華為或其他

頭發的顏色，五個類別：棕色、黑色、金色、紅色或者灰色

民族，七個類別：漢族、回族、蒙古族、滿族、維吾爾族、朝鮮族或其他

自變數也稱為預測變數或解釋變數，因變數也稱為應答變數或結局變數。兩者的區分在於，自變數可以影響因變數，因變數的值取決於對應自變數的值。也可以用因果關系來區分自變數和因變數，即自變數的變化導致了因變數的變化（但自變數和因變數之間並不一定真的存在因果關系）。自變數是對因變數的描述，而因變數可以被自變數所解釋。

研究設計也可以幫助我們區分自變數和因變數。舉例來說，我們計劃開展一項研究分析不同劑量葯物的治療效果，治療葯物就是這個研究的自變數，治療效果則是因變數。

比如我們想知道抗感染葯物劑量（1.5 mg / d、4 mg /d或者 8 mg/d）與患者發熱時長的關系，抗感染葯物劑量就是自變數，因為這個劑量的是由研究者干預產生的，且很可能是發熱時長差異的原因；而同時發熱時長就是這項研究的因變數。

橫斷面調查並不區分自變數和因變數。舉例來說，研究者根據問卷調查研究對象的工作效率（1-5類：1代表非常高效、5代表非常低效）和鍛煉情況（1-4類：1代表經常鍛煉、4代表不鍛煉）的關系。

在該研究中，受調查者的工作效率和鍛煉情況並不存在明確的因果關系，因為效率高可能意味著受調查者有更多的鍛煉時間，而反之經常鍛煉可能也會提高工作效率。因此，我們就不區分該研究的自變數和因變數。

本文先說說研究中涉及兩個變數的情況。

Pearson相關用於評估兩個連續變數之間的線性關聯強度。這種統計方法本身不區分自變數和因變數，但如果您根據研究背景已經對變數進行了區分，我們仍可以採用該方法判斷相關性。

Pearson相關不區分自變數和因變數。雖然這不影響我們採用Pearson相關分析兩個連續變數的相關性，但如果還是想通過統計方法區分一下，可以採用線性回歸。

這里還需要判斷有序分類變數是否為定距變數。如果認為擬分析的有序分類變數是定距變數，我們就可以為變數中的類別賦值，然後根據這些數值進行分析（即看作連續變數），比如測量滿意度（從「完全同意」到「完全不同意」5個類別）就是一個定距變數，可以用1-5為各類別賦值，即1 =完全同意、2 =同意、3 =一般、4 =不同意、5 =完全不同意。

對於不能作為定距變數的有序分類變數，比如軍銜的類別（少將、中將、上將、大將等）之間就不是等距的，就不能賦值後對數值進行分析（只能對類別進行分析）。

實際上，將有序分類變數作為連續變數進行分析，這在大多數情況下可能不符合我們的研究目的。對類別進行分析是對有序分類變數相關性分析的常見選擇。但是，如果基於的研究背景，待分析的有序分類變數確實可以作為定距變數處理，也是可以的。

Mantel-Haenszel 趨勢檢驗。該檢驗也被稱為Mantel-Haenszel 卡方檢驗、Mantel-Haenszel 趨勢卡方檢驗。該檢驗根據研究者對有序分類變數類別的賦值，判斷兩個有序分類變數之間的線性趨勢。

Spearman相關又稱Spearman秩相關，用於檢驗至少有一個有序分類變數的關聯強度和方向。

Kendall's tau-b 相關系數是用於檢驗至少有一個有序分類變數關聯強度和方向的非參數分析方法。該檢驗與Spearman相關的應用范圍基本一致，但更適用於存在多種關聯的數據（如列聯表）。

卡方檢驗常用於分析無序分類變數之間的相關性，也可以用於分析二分類變數之間的關系。但是該檢驗只能分析相關的統計學意義，不能反映關聯強度。因此，我們常聯合Cramer's V檢驗提示關聯強度。

Fisher精確檢驗可以用於檢驗任何R C數據之間的相關關系，但最常用於分析2 2數據，即兩個二分類變數之間的相關性。與卡方檢驗只能擬合近似分布不同的是，Fisher精確檢驗可以分析精確分布，更適合分析小樣本數據。但是該檢驗與卡方檢驗一樣，只能分析相關的統計學意義，不能反映關聯強度。

確定進行兩個二分類變數的相關性分析後，我們需要判斷是否區分自變數和因變數。

相對風險是流行病學或前瞻性隊列研究中的常用指標，可以在一定條件下比較兩個比例之間的關系，但其提示的結果是比值而不是差異。

比值比可以計算多類研究的關聯強度，也是很多統計檢驗（如二分類logistic回歸）的常用指標。在相對風險指標不適用的病例對照研究中，比值比仍可以很好地反映結果。

卡方檢驗可用於分析兩個二分類變數之間的關系。但是該檢驗只能分析相關的統計學意義，不能反映關聯強度。因此，該檢驗可以聯合Phi (φ)系數提示關聯強度。

Fisher精確檢驗可以用於檢驗任何R C數據之間的關系，但最常用於分析2 2數據，即兩個二分類變數之間的相關性。與卡方檢驗只能擬合近似分布不同的是，Fisher精確檢驗可以分析數據的精確分布，更適用於小樣本數據。但是該檢驗與卡方檢驗一樣，只能分析相關的統計學意義，不能反映關聯強度。

Point-biserial相關。Point-biserial相關適用於分析二分類變數和連續變數之間的相關性。其實，該檢驗是Pearson相關的一種特殊形式，與Pearson相關的數據假設一致，也可以在SPSS中通過Pearson相關模塊進行計算，我們會在教程中具體介紹。

確定進行二分類變數和有序分類變數的相關性分析後，我們需要判斷是否區分自變數和因變數：

有序Logistic回歸。有序Logistic回歸在本質上並不是為了分析二分類變數和有序分類變數之間的相關性。但我們仍可以用有序logistic回歸及其對應的OR值判斷這兩類變數之間的統計學關聯。

Cochran-Armitage 檢驗。Cochran-Armitage 檢驗又稱Cochran-Armitage 趨勢檢驗，常用於分析有序分類自變數和二分類因變數之間的線性趨勢。該檢驗可以判斷隨著有序分類變數的增加，二分類因變數比例的變化趨勢，是對其線性趨勢的統計學分析。我們將在教程中進一步解釋這一問題。

此問題可以使用Mantel-Haenszel卡方檢驗或Cochran-Armitage趨勢檢驗。Mantel-Haenszel卡方檢驗也稱線性趨勢檢驗（Test for Linear Trend）或定序檢驗（Linear by Linear Test）。

Mantel-Haenszel卡方檢驗和Cochran-Armitage趨勢檢驗的區別是：Mantel-Haenszel卡方檢驗要求一個變數是有序分類變數，另一個變數可以是二分類變數，也可以是有序多分類變數。而Cochran-Armitage趨勢檢驗要求一個變數是有序分類變數，另一個變數是二分類變數。

SPSS不提供Cochran-Armitage趨勢檢驗， Mantel-Haenszel卡方可以得到近似的結果。Cochran-Armitage趨勢檢驗可以在SAS等其它軟體中實現（SAS可以同時提供Cochran-Armitage趨勢檢驗和Mantel-Haenszel卡方檢驗的結果）。

Biserial秩相關：Biserial秩相關可以用於分析二分類變數和有序分類變數之間的相關性。在用二分類變數預測有序分類變數時，該檢驗又稱為Somers' d檢驗。此外，Mann-Whitney U檢驗也可以輸出Biserial秩相關結果。

Spearman相關。沒有適用於分析有序分類變數和連續變數相關性的檢驗方法，我們需要將連續變數視為有序分類變數進行檢驗，即分析兩個有序分類變數之間的關系。在這種情況下，我們可以應用Spearman相關或者其他針對有序分類變數的檢驗方法。