前陣子有分享「曼－惠特尼U考驗」（Mann-Whitney U-test），這是無母數分析最常使用的兩組獨立樣本檢定，每當檢定結果達顯著水準時，此時問題就來了，該如何去判斷兩組的高低呢?，如果用平均數似乎也有點奇怪，畢竟是放棄了平均數比較法而採用無母數分析，由於是比較兩組的分布，因此以四分位數的Q1 & Q3進行判斷最為合理，不過有時候仍會出現兩群擁有相同的四分數位，那就尷尬了，因此這裡要介紹另一種無母數的兩組比較-中位數檢定，和獨立樣本t檢定以平均數作為比較基準一樣，在中位數檢定即是以中位數進行分組，再比較兩群體在中位數之上或下的比例是否存在差異，其原理是以交叉表的卡方檢定進行分析。
操作：
提到要進行變項間的相關分析，第一直覺會聯想到皮爾森積差相關（Pearson product-moment correlation），但畢竟是有母數統計，偶爾遇到某些情況被要求改用無母數的相關分析，包含（1）變項不服從常態（2）樣本數小（3）其中一變項為順序尺度，此時將採用Spearman等級相關來探討變項之間的相關情形。
如果有研究過皮爾森相關的公式，會知道公式主要以變項的共變數來計算出相關的強度及方向性，而在Spearman等級相關，則是以每一筆資料在兩個變項的等級差值作衡量標準，若等級差值越小，兩個變項的相關程度則越高，詳細公式說明如下。這邊準備的示範資料為10位個案對於所有照護項目的滿意程度（欄B）及需求程度（欄C），接著以排序方式計算對應的滿意等級（欄E）與需求等級（欄F），因應公式的需要，所以先將滿意等級與需求等級進行相減得到等級差d值（欄H），最後再等級差d值進行平方（欄I）
當縱貫型研究要進行GEE或HLM時，首先我們必須將資料集的格式整理成縱貫型資料（也就是長資料格式），此時每位樣本的每一次資料為一筆資料，若樣本重複測量3次就會有3筆資料，若重複測量5次就會有5筆資料，以此類推，資料格式整理完會像下方圖形一樣，此時變項通常會有4種類型，第一種是辨識變項（如ID、Name），用來辨識每一筆資料的來源；第二種是時間變項（如Time），用來辨識同樣本每筆資料的順序，有些研究也會登錄收案時間點；第三種是固定變項（如性別、年齡），不會隨著時間變動的變項，每次收案的數據皆相同；第四種是相依變項（如albumin），會隨著時間變動的變項，每次收案的數據並不相同。
當要進行兩組的分數比較時，最直覺的聯想就是進行獨立樣本t檢定，歸類在有母數的推論性統計，之前文章提到過，進行獨立樣本t檢定前有三項假設需先符合：（1）常態性、（2）樣本獨立性、（3）變異數同質性。其中樣本獨立性在抽樣適宜的情況下，大致都能符合，但常態性與變異數同質性就得看資料的狀況，透過檢驗才會知道，通常在樣本數小時容易違反。因此就會發現在某些情況下（包含小樣本、依變項不符合常態、依變項為順續變項）時，不太適合有母數統計，而必須改用無母數分析。
常用的幾種有母數分析中，都可以找到對應的無母數統計，這篇文章先介紹兩組獨立樣本的比較，曼－惠特尼U考驗（Mann-Whitney U-test），至於多組獨立樣本比較、兩組相依樣本比較…等，將在日後依序介紹。
當研究要針對不同族群對象進行分析時，可以使用資料功能列中的「選取觀察值」或「分割檔案」來進行，不過由於「選取觀察值」是在條件中選取每一組的對象出來分析，並不是像「分割檔案」可以一次輸出個別組別的資料，因此以「分割檔案」的效率表現較佳，這部分的操作說明，可以參考過去的教學文章，網址如下。https://dasanlin888.pixnet.net/blog/post/569598584
操作（有關鍵變數-兩檔案皆提供觀察值）：
（8）為了按照編號來合併兩個檔案，先勾選「匹配已排序檔案關鍵變數的觀察值」，預設值為「兩者皆提供觀察值」，代表就算兩邊檔案收錄的樣本不完全相同，無論以國語成績或是數學成績的頁面來操作，所有樣本最後都會一同留置在新的資料集中。
這篇文章要來教大家實用的資料處理-合併資料，過去在接收客戶的資料時，常常遇到客戶將資料建檔在不同的資料集中，有些是按照不同的測驗階段分別建立，有些則按照問卷不同部分分別建立，但無論如果建立檔案，最後都必須整併在同一個檔案之下才方便進行分析，此時就需要用到合併資料的功能。此次示範的兩個檔案（如下圖），一個為國語成績，共7名樣本，編號為ID1至ID7，另一個為數學成績，共7名樣本，編號為ID4至ID10，因此兩個檔案的交集樣本為ID4至ID7，共4名樣本，在操作選項中，有4種不一樣的設定，下面將一一說明。
一般我們看到的t檢定，通常指的是獨立樣本t檢定（Independent sample t test），用來比較兩組獨立群體在連續變項上的差異，因此適用條件有兩個重點，（1）要比較的變項為連續尺度的變項（若要更嚴格的定義，則必須符合常態性的假設），（2）兩組數據來自兩個相互獨立的群體，不受彼此的影響。
不久之前有提到可以用次數分配來檢查我們的原始資料，今天將做個延伸，分享一些次數分配可以搭配的分析工作，以及一些功能的說明，本篇將內容分成（1）提供組別合併資訊；（2）分組規劃；（3）豐富的描述性統計量；（4）提供統計圖。
不久之前有提到可以用次數分配來檢查我們的原始資料，今天將做個延伸，分享一些次數分配可以搭配的分析工作，以及一些功能的說明，本篇將內容分成（1）提供組別合併資訊；（2）分組規劃；（3）豐富的描述性統計量；（4）提供統計圖。
提供組別合併資訊：
當我們收集完資料並完成建檔後，在分析之前，一定要確實做到檢查的工作，檢查的重點，包含了數值的合理性，以及變數的遺漏狀況。我們用的分析方法，是最簡單及最常見的次數分配與描述性統計量，沒錯，只要分析有做到敘述統計的話，大致上都能檢查到資料的問題，下面我們將這些問題整理出來。
利用敘述統計探視變數的遺漏狀態：
當我們收集完資料並完成建檔後，在分析之前，一定要確實做到檢查的工作，檢查的重點，包含了數值的合理性，以及變數的遺漏狀況。我們用的分析方法，是最簡單及最常見的次數分配與描述性統計量，沒錯，只要分析有做到敘述統計的話，大致上都能檢查到資料的問題，下面我們將這些問題整理出來。
利用次數分配找到輸入錯誤的變數：
表格：
（8）最常見的相關係數表，直接根據輸入的報表，只留下相關係數的部分製表，左邊列輸入變數名稱，上方欄則用代號表示，顯著性的部分直接以星號表示就好，這樣的呈現一目了然。然而也是有缺點的，當放入的變項太多時，在兩兩變項的相關組合下會產生非常的相關係數，將容易造成表格的數字不好閱讀。從表4-4-1可知研究變項有3個，分別是日常生活功能、憂鬱、生活品質，因此主要的相關分析有「日常生活功能與憂鬱」、「日常生活功能與生活品質」、「憂鬱與生活品質」，剩下未標顏色的區域為生活品質各構面的自我相關。
獨立樣本T檢定、單因子變異數分析、卡方分析、皮爾森積差相關，是在研究變項之間的關係時，最常使用的統計方法，前三項已經有寫過文章做教學介紹，因此本篇將補齊第四個統計方法「皮爾森積差相關」，用於衡量兩個連續變項的相關性，係數介於-1至1之間，正負代表變項關係的方向性，數值代表變項之間的關係強度，若係數之絕對值愈接近1，表示關聯性愈強。
相對前面三種統計方法，皮爾森積差相關操作簡單，解釋也不難，所以除了操作教學之外，也會說明表格的呈現方式，並延伸常遇到的問題。
結果：
（9）單因子變異數分析的第一張為描述性統計，可以得到每一組的樣本數、平均數、標準差。由於差異分析的表格通常需要交代各組別的描述性統計，所以會建議步驟4需要勾選，並將各組的平均數與標準差呈現於表格中。
當比較樣本平均數差異的組別數來到三組以上時，就不適用先前教過的獨立樣本t檢定，而必須改用單因子變異數分析(One way ANOVA)。順帶一提，當組別數只有兩組樣本的話，也是可以使用單因子變異數分析來進行組間的平均數比較，得到的結果會和獨立樣本t檢定的結果一致，不過大部分研究遇到兩組的組間比較，仍是以獨立樣本t為主。
獨立樣本單因子變異數分析與獨立樣本t檢定有一樣的前題假設：（1）被檢定的變項需符合常態性；（2）樣本獨立性；（3）變異數同質性，有關三項假設的說明，可以參考上一篇SPSS進行獨立樣本t檢定，其中關於變異數質性的操作，會比獨立樣本t檢定來得複雜一些些，將在下方操作時一併說明。
{{ article.title }}