第1个回答 2012-03-01
T检验不需要正态分布的前提，检验用的是T分布追问
THX！是我看书不认真，的确只要求方差齐即可。
还想请教：如果我采集1000个人的信息来了解某疾病的发病因素，筛查出来患病的有150个。采集的变量有性别年龄民族和一些专业的评估指标。我准备比较病人和正常人各个变量有无统计学差异，我的思路是，先做独立样本t检验----方差不齐的变量改用独立样本的非参数检验---民族和性别这样的分类变量，用卡方检验crosstabs。 对发病原因的分析，用Logistic回归，选取有关因素。这样对么？
这样可以啊，不过如果回归的自变量多的话，要注意考虑多重共线性哦~
追问多重共线性？能否具体说说？是需要选用什么特殊的统计方法么？
我现在选取的变量除了年龄性别民族等一些基本的人口学信息，还有三个量表的分数，每个量表又分出不同的维度。所以分到最基本的单位的话一共是9个变量。其实我只是想考察一下各个自变量和因变量之间的相关关系，以及各自变量之间的相关关系，做回归合适么？因为影响疾病的因素还有很多，而我选择的只是其中几项。
谢谢！！
考察相关关系的话可以直接用相关分析啊，有序变量可以用spearman相关系数，自变量之间的相关系数可以参考交叉表里的Lambda系数
做回归分析的话就要考虑多重共线性，简而言之就是自变量之间互相影响，使得模型失真。比如受教育程度和收入有可能有很强的相关性，把他们放在一个回归模型里就可能导致估计的参数有问题。
自变量有分类变量（性别），还有计量资料，都可以分别和因变量做相关么？因变量是二分类变量也可以用SPSS做么？
根据我说的情况，是不是就没有必要做回归了？只要自变量和因变量做做相关就OK了？
都可以做相关分析的，二分类变量也可以做卡方检验，结果差别应该不大，可以同时做回归综合着看
性别之类的名义变量做相关分析可以参考交叉表里的Lambda系数
相似回答
