一致性检验和配对卡方检验的实例操作图文详解，配对计数资料的卡方检验。
一、问题与数据
有两种方法可用于诊断某种癌症，a方法简单易行，成本低，患者更容易接受，b方法结果可靠，但操作繁琐，患者配合困难。某研究选择了53例待诊断的门诊患者，每个患者分别用a和b两种方法进行诊断(表1)，判断两种方法诊断癌症有无差别，a方法是否可以代替b方法。
表1 进口药和国产药治疗效果
二、对数据结构的分析
之前介绍过成组设计的列联表，它的行变量和列变量代表的是一个事物的两个不同属性，以我们举过的a药和b药治疗急性心肌梗死患者疗效比较为例，例子中行变量“药物”和列变量“转归”是患者的两个不同特征。
但是配对设计的列联表却有些不同，它的行变量和列变量代表的是一个事物的同一属性，只是对这个属性的判断方法不同而已。如表1所示，行和列均指的是患者是否患有癌症，所不同的是一个是a方法，另一个是b方法。这种列联表最大的特点是行和列数目永远都是一样的。此时，再用成组计数资料的χ2检验就不合适了。这里我们就要用到kappa一致性检验和配对χ2检验(mcnemar检验)。
为什么同一配对设计计数资料咋还有两种检验方法呢?其实这两种方法各有侧重：
1、kappa检验旨在评价两种方法是否存在一致性;配对χ2检验主要确定两种方法诊断结果是否有差别;
2、kappa检验会利用列联表的全部数据，而配对χ2检验只利用“不一致“数据，如表1中b和c;
3、kappa检验可计算kappa值用于评价一致性大小，而配对χ2检验只能给出两种方法差别是否具有统计学意义的判断。
kappa值判断标准：
kappa≥0.75，说明两种方法诊断结果一致性较好;
0.4≤kappa<0.75，说明两种方法诊断结果一致性一般;
kappa<0.4，说明两种方法诊断结果一致性较差。
有关具体计算过程，我们这里可以交给计算机统计软件来完成。
三、分析方法
1. 数据录入
(1) 变量视图
(2) 数据视图
2. 加权个案：选择data→weight cases→勾选weight cases by，将频数放入frequency variable→ok。
3. 选择analyze→descriptive statistics→crosstabs
4. 选项设置
(1) 主对话框设置：将“a方法”和“b方法”两个变量分别放入row(s)框和column(s)框中(无位置要求)。
(2) statistics设置：勾选mcnemar和kappa→continue
(3) cells设置：counts中勾选observed，输出实际观测频数;percentages勾选row和column，输出行和列占比→continue→ok
四、结果解读
表1 统计描述
表2 配对χ2检验
表3 kappa一致性检验
表2中给出了mcnemer检验的结果， p=0.022<0.05，提示两种方法诊断情况并不一致;表3中kappa=0.506，p<0.001，提示两种方法诊断结果存在一致性，但是kappa在0.4~0.75范围内，一致性一般。
五、撰写结论
a方法和b方法诊断结果一致性一般(kappa=0.506，p<0.001); b诊断阳性率为67.9%，明显高于a诊断(50.9%)，且差别具有统计学意义(p=0.022)。
ps: r*c配对列联表的χ2检验应用bowker检验，的具体操作方法同mcnemar检验。
上一篇：诊断试验可重复性的重要性
下一篇：