Ⅰ 16种常用的数据分析方法-列联分析
列联分析通常用来分析两个分类变量之间或者一个分类变量与顺序变量之间是否存在关联，关联的紧密程度如何。
对关联性问题的处理称为独立性检验（Test of Independence），通过交叉列联表和 c2 检验进行列联分析。
交叉列联表分为二维表与三维表两种，二维表交叉表可进行卡方检验，三维交叉表，可作Mentel-Hanszel分层分析。
列联表结构
2*2 列联表
r *c 列联表
案例
公司在4个不同的地区设有分公司，公司准备进行工资级别调整。采用抽样调查方式，从4个分公司共抽取420个样本 (人)，了解职工对此调整的看法，交叉统计结果如下：
观察频数分布表&百分比分布表的分布
列联交叉表中的统计值有两种类型：频数与百分比，对于两种类型的分布表，观察其分布时，要注意：
一、频数分布表
1、观察边缘分布
行边缘分布：行观察值的合计数的分布
列边缘分布：列观察值的合计数的分布
2、观察条件分布与条件频数
变量 X 条件下变量 Y 的分布，或在变量 Y 条件下变量 X 的分布
每个具体的观察值称为条件频数
二、百分比分布
为在相同的基数上进行比较，可以计算相应的百分比，称为 百分比分布
1、观察行百分比：行的每一个观察频数除以相应的行合计数( fij / ri )
2、观察列百分比：列的每一个观察频数除以相应的列合计数( fij / cj )
3、观察总百分比：每一个观察值除以观察值的总个数( fij / n )
交叉列联表分析步骤
1.【分析】—【描述统计】—【交叉表】
【精确】
一般情况下，"精确检验"（Exact Tests）对话框的选项都默认为系统默认值，不作调整。
【统计量】
【单元格】
【格式】
2.结果分析：
卡方检验
a. 16 单元格(100.0%) 的期望计数少于 5。最小期望计数为 .56。
原假设：H0：职称、学历两者相互独立。
皮尔逊（Pearson）的Chi-Square 值为18.553，自由度为9，
p=.029<0.05，拒绝原假设，即在5%的显着性水平下不同文化程度对职称的影响存在着显着差异。
结论：文化程度越高，职称越高。
Ⅱ 独立性检验就是分析列联表中行变量和列变量是否相互独立
卡方检验试用条件1.随机样本数据； 2.卡方检验的理论频数不能太小. 两个独立样本比较可以分以下3种情况： 1.所有的理论数T≥5并且总样本量n≥40,用Pearson卡方进行检验. 2.如果理论数T＜5但T≥1,并且n≥40,用连续性校正的卡方进行检验. 3.如果有理论数T＜1或n＜40,则用Fisher’s检验. 上述是适用于四格表.R×C表卡方检验应用条件： 1.R×C表中理论数小于5的格子不能超过1/5； 2.不能有小于1的理论数.若不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现.统计专业研究生工作室原创，请勿复杂粘贴
Ⅲ SPSS如何独立性检验
在SPSS里设置三个变量：满意程度、是否报班、人数
然后将人数变量人数加权（在菜单栏选择数据——加权变量）
最后选择卡方检验（在菜单栏选择分析——描述分析——交叉分析，在当中选择卡方值就可以了）
Ⅳ 如何记忆卡方独立性检验
独立性检验”验证从两个变量抽出的配对观察值组是否互相独立（例如：每次都从A国和B国各抽一个人，看他们的反应是否与国籍无关）。
独立性检验主要用于两个或两个以上因素多项分类的计数资料分析，也就是研究两类变量之间的关联性和依存性问题。如果两变量无关联即相互独立，说明对于其中一个变量而言，另一变量多项分类次数上的变化是在无差范围之内；如果两变量有关联即不独立，说明二者之间有交互作用存在。
独立性检验一般采用列联表的形式记录观察数据, 列联表是由两个以上的变量进行交叉分类的频数分布表，是用于提供基本调查结果的最常用形式，可以清楚地表示定类变量之间是否相互关联。又可具体分为：
四格表的独立性检验：又称为2*2列联表的卡方检验。四格表资料的独立性检验用于进行两个率或两个构成比的比较，是列联表的一种最简单的形式。
行x列表资料的独立性检验：又称为RxC列联表的卡方检验。行x
Ⅳ 高二独立性检验的步骤
独立性检验的思想及步骤
独立性检验的基本思想类似于数学上的“反证法”。要确认“两个分类变量有关系”这
一结论成立的可信程度。
首先假设结论不成立，即“这两个分类变量几乎没有关系”（“几乎独立”）成立，则 ， 此时，我们所构造的随机变量应该很小。如果由观测数据计算得到的k不是很小，则在一定程度上说明假设不合理。而且 观测值k越大，说明假设（“几乎无关或独立”）不成立的可能性就越大，即两者有关的可能性越大，这样我们就可以由 的观测值k并结合已往估算经验值表定出我们有多大程度等等把握可以认为“两个分类变量有关系”。