发布日期：2024-08-26 18:00 点击次数：123
Max大郭（备注：郭佰鑫）
一位运营着公众号体育科学和生成式AI邃密无比者，心爱刷资讯念书的22级本科生
如果您认同本书或公众号其他内容，宽宥您赐与一定打赏（但我刚但愿您不错谨慎阅读并将好的内容转发传播）
思看本书的，点进本文文末的 #体育科学中的数据分析：专揽 SPSS 和 ChatGPT
最近驱动在公众号连载这本书了
但愿您不错帮我三连传播一下本文
（我的个东谈主先容放在著述末尾了，宽宥计议！）
往期好书推选:
作家先容Max大郭
作家Max，一位在长春读应用心思学的大三本科生，酬酢自媒体平台专注于输出体育科技以及体育科学干系内容，期待改日有才略的基础下能加入更多基于东谈主工智能的体育分析与科技。有其他科研结合的宽宥您的计议。
我比较心爱 体育科学、大讲话模子以及AI干系的，无为畅通心爱篮球足球以及体能老师愈加和蔼此标的的居品应用和革命。
（我或然期会看一些可衣着建设、动作捕捉以及AI范畴的科研、居品应用，宽宥交流，期待向诸君学习！）
一切特意向的买卖/居品/科研结合，宽宥您计议我！
我的计议面容（微信）：MaxGBX（这个是微信号！）
Linkedin领英：Baixin Guo
自媒体视频制作/公众号著述代作念/翻译/AI智能体&责任流（大讲话模子）搭建/科研&推文绘画/PPT制作也宽宥您的计议！期待您的结合！
科研/居品结合
团队提供AI因循，体育/健康/生物工程和东谈主工智能，罕有据即可（发扬分析/体育工程/生物力学等范畴都不错）咱们不错作念一切和AI交叉学科连系干系的科研因循，您需要提供我方范畴内的数据。（有需求的诸君计议我！）
张开剩余94%作家先容Max大郭
作家Max，一位在长春读应用心思学的大三本科生，酬酢自媒体平台专注于输出体育科技以及体育科学干系内容，期待改日有才略的基础下能加入更多基于东谈主工智能的体育分析与科技。有其他科研结合的宽宥您的计议。
我比较心爱 体育科学、大讲话模子以及AI干系的，无为畅通心爱篮球足球以及体能老师愈加和蔼此标的的居品应用和革命。
（我或然期会看一些可衣着建设、动作捕捉以及AI范畴的科研、居品应用，宽宥交流，期待向诸君学习！）
一切特意向的买卖/居品/科研结合，宽宥您计议我！
我的计议面容（微信）：MaxGBX（这个是微信号！）
Linkedin领英：Baixin Guo
自媒体视频制作/公众号著述代作念/翻译/AI智能体&责任流（大讲话模子）搭建/科研&推文绘画/PPT制作也宽宥您的计议！期待您的结合！
科研/居品结合
团队提供AI因循，体育/健康/生物工程和东谈主工智能，罕有据即可（发扬分析/体育工程/生物力学等范畴都不错）咱们不错作念一切和AI交叉学科连系干系的科研因循，您需要提供我方范畴内的数据。（有需求的诸君计议我！）
▼ 本书起头
第10章 上风比与非参数锤真金不怕火 上风比和相对风险
相对风险（RR）和上风比（OR）均为统计学顶用于评估露出身分与收尾之间关联强度的缱绻。但是，它们的筹画面容不同，或然会对事件的风险或可能性给出不同的判断。相对风险是露出组中事件发生的概率与非露出组中事件发生概率的比值，常用于前瞻性研究，如同部队研究。相对风险响应了露出组中事件发生的可能性相较于非露出组高（或低）几许。
另一方面，上风比亦然掂量露出与收尾之间关联的缱绻，但它比较的是露出组中事件发生的上风与非露出组中事件发生的上风。上风比在病例对照研究中应用更为平时，因为在这类研究中时常无法成功筹画风险。当事件荒凉时，上风比不错较好地揣摸相对风险；但当事件常见时，上风比可能会夸大对风险的证据。
在体育科学中的应用
假设咱们思要研究一种特定老师接洽（举例高强度间歇老师）对畅通员畅通损害发生情况的影响。
• 相对风险：在一项部队研究中，假设接受该老师接洽的100名畅通员中有10东谈主碰到了特定类型的损害，而未接受该接洽的100名畅通员中惟有5东谈主碰到了交流损害。相对风险则为 。这意味着接受老师接洽的畅通员碰到这种损害的可能性是未接受老师畅通员的两倍。
• 上风比：在一项病例对照研究中，如果有10名受伤畅通员（病例组）接受了该老师，90名未受伤畅通员（对照组）接受了该老师，同期有5名受伤畅通员（病例组）和95名未受伤畅通员（对照组）未接受该老师，那么上风比为 。这标明接受老师的畅通员受伤的上风比未接受老师的畅通员进步两倍多小数。
• 相对风险：在一项部队研究中，假设接受该老师接洽的100名畅通员中有10东谈主碰到了特定类型的损害，而未接受该接洽的100名畅通员中惟有5东谈主碰到了交流损害。相对风险则为 。这意味着接受老师接洽的畅通员碰到这种损害的可能性是未接受老师畅通员的两倍。
• 上风比：在一项病例对照研究中，如果有10名受伤畅通员（病例组）接受了该老师，90名未受伤畅通员（对照组）接受了该老师，同期有5名受伤畅通员（病例组）和95名未受伤畅通员（对照组）未接受该老师，那么上风比为 。这标明接受老师的畅通员受伤的上风比未接受老师的畅通员进步两倍多小数。
• 若OR>1：意味着与敏捷老师比较，力量老师导致受伤的上风更高。
• 若OR<1：标明力量老师导致受伤的上风更低。
• 若OR = 1：讲解两种老师面容导致受伤的上风莫得各别。
• 若OR>1：意味着与敏捷老师比较，力量老师导致受伤的上风更高。
• 若OR<1：标明力量老师导致受伤的上风更低。
• 若OR = 1：讲解两种老师面容导致受伤的上风莫得各别。
这里的关节永诀在于，相对风险成功比较概率，而上风比比较的是上风。在这个例子中，与相对风险比较，上风比稍许高估了风险，这种情况很常见，尤其是当事件（在这个例子中是受伤）并不荒凉时。此外，概率和上风的看法是统计学的基础，剖判它们之间的各别对于准确解读数据至关首要。
概率
概率用于掂量事件发生的可能性，取值边界从0（弗成能发生的事件）到1（势必发生的事件）。从数学角度讲，事件发生的概率界说为有意收尾的数目除以通盘可能收尾的总额。
上风
上风描写的是事件（举例告捷、失败或受伤）发生的概率与不发生的概率之比。在筹画方面，因循某事件发生的上风通过将事件发生的概率除以事件不发生的概率得出。
关节各别
概率是一个更直不雅的看法，标明事件发生的可能性大小。而上风在某些特定情境（如输赢情境）中更为常用，它代表得胜与失败的比例。
剖判上风比和相对风险有助于体育从业者了解让畅通员承受特定老师量或老师刺激，会奈何影响比赛收尾（举例告捷、失败或受伤与否 ）。可视化相对风险和上风比的最好面容，是降服畅通员是否接受了某种刺激，然后降服畅通员是否从该刺激中赢得了守望的收尾。在体育科学中，上风比用于把柄所承受的老师负荷、测试收尾等评估或预计畅通员的受伤情况。此外，这类分析还用于解决大数据集以评估畅通发扬，尤其是在评估比赛输赢可能性的参数方面。提倡弥远网罗大都畅通员的数据，然后评估战争某种刺激可能奈何影响最终收尾 。
在SPSS中进行上风比和相对风险分析的模范
1. 按次点击“分析”“描写统计”“交叉表”；
2. 将“风险身分”移至“行”框，将“收尾”移至“列”框；
3. 点击“单位格”按钮，勾选“计数”下的“不雅察值”框，以及“百分比”下的“行”框，然后点击“降服”；
4. 点击右侧的“统计”选项卡，勾选“风险”，点击“降服”；
5. 临了在主“交叉表”对话框中再次点击“降服”。
1. 按次点击“分析”“描写统计”“交叉表”；
2. 将“风险身分”移至“行”框，将“收尾”移至“列”框；
3. 点击“单位格”按钮，勾选“计数”下的“不雅察值”框，以及“百分比”下的“行”框，然后点击“降服”；
4. 点击右侧的“统计”选项卡，勾选“风险”，点击“降服”；
5. 临了在主“交叉表”对话框中再次点击“降服”。
底下的分析旨在评估畅通员在赛前老师中，蕴蓄高于或低于平均老师量时，比赛输赢的关系或上风。
图10.1上风比和相对风险的SPSS输出收尾 交叉表 案例解决纲目
灵验 缺失 算计 N 百分比 N 百分比 N 百分比 高于平均距离与比赛输赢 796 100.0% 0 0.0% 796 100.0%
高于平均距离 * 比赛输赢交叉表
比赛收尾 算计 胜 负 高于平均距离 高于平均计数 54 14 68 高于平均距离内的百分比 79.4% 20.6% 100.0% 低于平均计数 489 239 728 高于平均距离内的百分比 67.2% 32.8% 100.0% 算计 计数 543 253 796 高于平均距离内的百分比 68.2% 31.8% 100.0%
风险揣摸
值 95%置信区间 下限 上限 高于平均距离的上风比（高于平均/低于平均） 1.885 1.027 3.462 部队比赛收尾=胜时的相对风险 1.182 1.037 1.348 部队比赛收尾=负时的相对风险 0.627 0.389 1.012 灵验案例数 796
奈何解读上风比
1. 案例解决纲目：展示了交叉表上钩算的身分（高于平均距离 * 比赛输赢）和样本量（N = 796）。
2. 高于平均距离 * 比赛输赢交叉表：此交叉表夸耀了畅通员在进行高于或低于平均距离老师量时，告捷或失败的百分比。第一瞥的百分比讲解注解了高于平均距离老师量的情况，在68名畅通员中，79.4%的畅通员在赛前老师中进行了高于平均水平的老师量。第二行讲解注解了低于平均距离老师量的情况，在728名蕴蓄了低于平均老师量的畅通员中，67.2%的畅通员在赛前几周进行了低于平均水平的老师量。
3. 风险揣摸：在第一瞥“值”下方不错看到数字1.885，这意味着畅通员在赛前老师中蕴蓄高于平均老师量时，告捷的上风是蕴蓄低于平均老师量时的1.885倍。由于咱们不和蔼相对风险（此分析并非风险评估），上风比下方的值并不适用，但SPSS仍会进行筹画。
4. 95%置信区间：95%置信区间详实讲解了实际上风比值的下限和上限。在图10.1中，下限为1.027，上限为3.462。这意味着畅通员蕴蓄高于平均老师量时，实际告捷上风有95%的可能性在1.027 - 3.462倍之间。在高水平竞技环境中，这些上风值得和蔼。对于畅通员来说，在老师周中有计策地进行高于平均水平的老师量可能极具价值。
1. 案例解决纲目：展示了交叉表上钩算的身分（高于平均距离 * 比赛输赢）和样本量（N = 796）。
2. 高于平均距离 * 比赛输赢交叉表：此交叉表夸耀了畅通员在进行高于或低于平均距离老师量时，告捷或失败的百分比。第一瞥的百分比讲解注解了高于平均距离老师量的情况，在68名畅通员中，79.4%的畅通员在赛前老师中进行了高于平均水平的老师量。第二行讲解注解了低于平均距离老师量的情况，在728名蕴蓄了低于平均老师量的畅通员中，67.2%的畅通员在赛前几周进行了低于平均水平的老师量。
3. 风险揣摸：在第一瞥“值”下方不错看到数字1.885，这意味着畅通员在赛前老师中蕴蓄高于平均老师量时，告捷的上风是蕴蓄低于平均老师量时的1.885倍。由于咱们不和蔼相对风险（此分析并非风险评估），上风比下方的值并不适用，但SPSS仍会进行筹画。
4. 95%置信区间：95%置信区间详实讲解了实际上风比值的下限和上限。在图10.1中，下限为1.027，上限为3.462。这意味着畅通员蕴蓄高于平均老师量时，实际告捷上风有95%的可能性在1.027 - 3.462倍之间。在高水平竞技环境中，这些上风值得和蔼。对于畅通员来说，在老师周中有计策地进行高于平均水平的老师量可能极具价值。
• ChatGPT提醒：讲解注解上风比，并以篮球老师和受伤为例。
• ChatGPT复兴：假设你是大学篮球队的一员，你思了解老师面容与受伤可能性之间的关系。假设球队主要采纳两种老师面容：力量老师和敏捷老师。你思弄了了哪种老师面容与更高或更低的受感冒险干系。
• ChatGPT提醒：讲解注解上风比，并以篮球老师和受伤为例。
• ChatGPT复兴：假设你是大学篮球队的一员，你思了解老师面容与受伤可能性之间的关系。假设球队主要采纳两种老师面容：力量老师和敏捷老师。你思弄了了哪种老师面容与更高或更低的受感冒险干系。
上风比在这里就派上用场了：
1. 网罗数据：当先，你需要数据。对于每位球员，记载他们的主要老师要点（力量老师照旧敏捷老师）以及他们在赛季中是否受伤（是或否）。
2. 创建2x2表格：将这些数据整理成一个2x2表格：
老师类型 受伤（是） 未受伤（否） 力量老师 a b 敏捷老师 c d 这里，“a”是进行力量老师且受伤的球员东谈主数，“b”是进行力量老师但未受伤的球员东谈主数，“c”是进行敏捷老师且受伤的球员东谈主数，“d”是进行敏捷老师但未受伤的球员东谈主数。
3. 筹画上风比：上风比（OR）是掂量露出身分（老师类型）与收尾（受伤情况）之间关联的缱绻。它能标明一个老师组（举例力量老师组）受伤的上风与另一个老师组（举例敏捷老师组）受伤上风的对比情况。上风比的筹画公式为：(a/b)÷(c/d) ，(a/b)是力量老师受伤的上风，(c/d)是敏捷老师受伤的上风。
4. 示例解读：假设你筹画出的上风比为1.5。这意味着主要进行力量老师的球员受伤的上风是进行敏捷老师球员的1.5倍。
1. 网罗数据：当先，你需要数据。对于每位球员，记载他们的主要老师要点（力量老师照旧敏捷老师）以及他们在赛季中是否受伤（是或否）。
2. 创建2x2表格：将这些数据整理成一个2x2表格：
老师类型 受伤（是） 未受伤（否） 力量老师 a b 敏捷老师 c d 这里，“a”是进行力量老师且受伤的球员东谈主数，“b”是进行力量老师但未受伤的球员东谈主数，“c”是进行敏捷老师且受伤的球员东谈主数，“d”是进行敏捷老师但未受伤的球员东谈主数。
3. 筹画上风比：上风比（OR）是掂量露出身分（老师类型）与收尾（受伤情况）之间关联的缱绻。它能标明一个老师组（举例力量老师组）受伤的上风与另一个老师组（举例敏捷老师组）受伤上风的对比情况。上风比的筹画公式为：(a/b)÷(c/d) ，(a/b)是力量老师受伤的上风，(c/d)是敏捷老师受伤的上风。
4. 示例解读：假设你筹画出的上风比为1.5。这意味着主要进行力量老师的球员受伤的上风是进行敏捷老师球员的1.5倍。
总之，上风比就像一个放大镜，匡助你比较两个不同组（如篮球畅通中的力量老师和敏捷老师）中某事件（如受伤）发生的可能性，让你简略量化并比较不同弃取或举止干系的风险。
• ChatGPT提醒：讲解注解相对风险，并以篮球老师和受伤为例。
• ChatGPT复兴：相对风险（RR）是统计学和流行病学顶用于比较两个不同组中某一特定事件（如受伤）发生风险的缱绻。它是露出组（具有特定露出身分或特征的东谈主群）中事件发生的概率与非露出组中事件发生概率的比值。
• 用篮球示例剖判相对风险：以篮球老师强度和受感冒险为例。假设有一项研究对比两组篮球畅通员：
• A组：进行高强度老师。
• B组：进行低强度老师。
咱们思了解高强度老师是否会影响受伤的可能性。
• 假设数据：
• A组（高强度老师）的100名球员中，有20名在老师期间受伤。
• B组（低强度老师）的100名球员中，有10名在归并时期受伤。
• 筹画相对风险：
• A组受伤的概率：20÷100 = 0.20或20%
• B组受伤的概率：10÷100 = 0.10或10%
• 当今筹画A组相对于B组受伤的相对风险：RR = A组概率÷B组概率 = 0.20÷0.10 = 2.0
• 解读：相对风险为2.0标明，高强度老师组（A组）的球员受伤的可能性是低强度老师组（B组）球员的两倍。这并不料味着高强度老师成功导致更多的受伤情况，但它标明在这种特定情况下，这种老师类型存在更高的风险。
• ChatGPT提醒：讲解注解相对风险，并以篮球老师和受伤为例。
• ChatGPT复兴：相对风险（RR）是统计学和流行病学顶用于比较两个不同组中某一特定事件（如受伤）发生风险的缱绻。它是露出组（具有特定露出身分或特征的东谈主群）中事件发生的概率与非露出组中事件发生概率的比值。
• 用篮球示例剖判相对风险：以篮球老师强度和受感冒险为例。假设有一项研究对比两组篮球畅通员：
• A组：进行高强度老师。
• B组：进行低强度老师。
咱们思了解高强度老师是否会影响受伤的可能性。
• A组：进行高强度老师。
• B组：进行低强度老师。
咱们思了解高强度老师是否会影响受伤的可能性。
• 假设数据：
• A组（高强度老师）的100名球员中，有20名在老师期间受伤。
• B组（低强度老师）的100名球员中，有10名在归并时期受伤。
• A组（高强度老师）的100名球员中，有20名在老师期间受伤。
• B组（低强度老师）的100名球员中，有10名在归并时期受伤。
• 筹画相对风险：
• A组受伤的概率：20÷100 = 0.20或20%
• B组受伤的概率：10÷100 = 0.10或10%
• 当今筹画A组相对于B组受伤的相对风险：RR = A组概率÷B组概率 = 0.20÷0.10 = 2.0
• A组受伤的概率：20÷100 = 0.20或20%
• B组受伤的概率：10÷100 = 0.10或10%
• 当今筹画A组相对于B组受伤的相对风险：RR = A组概率÷B组概率 = 0.20÷0.10 = 2.0
• 解读：相对风险为2.0标明，高强度老师组（A组）的球员受伤的可能性是低强度老师组（B组）球员的两倍。这并不料味着高强度老师成功导致更多的受伤情况，但它标明在这种特定情况下，这种老师类型存在更高的风险。
本节旨在简要笼统体育科学中可采纳的其他分析模范。“非参数”意味着不依赖于数据散布，因为这类模范不假设数据呈正态散布，这在体育科学数据中较为常见。当从业者需要评估频率计数之间的各别（卡方锤真金不怕火），或者当两种分类数据不呈正态散布时（威尔科克森标记秩锤真金不怕火、威尔科克森 - 曼 - 惠特尼锤真金不怕火，以及雷同于方差分析但用于秩次数据的克鲁斯卡尔 - 沃利斯锤真金不怕火 ），会使用非参数锤真金不怕火。由于非参数分析与配对和孤独样本t锤真金不怕火雷同，这里不再详实讲解注解每个SPSS输出收尾，因为从业者不错成功在职何统计输出中评估P值和提供的锤真金不怕火统计量。附录4中提供了每种分析的操作指南，ag百家乐如果正确建树Excel模板，也不错使用ChatGPT进行非参数锤真金不怕火。
另一方面，非参数锤真金不怕火不假设数据具有特定的散布阵势。在以下情况下会使用非参数锤真金不怕火：
1. 数据非正态散布：适用于数据呈偏态散布或无法假设数据正态散布的情况。
2. 有序或口头数据：可用于品级、有序或口头数据。
3. 小样本量：适用于样本量较小，中心极限度理不适用的情况。
4. 稳当性：对额外值或偏离假设散布的情况不太明锐。
1. 数据非正态散布：适用于数据呈偏态散布或无法假设数据正态散布的情况。
2. 有序或口头数据：可用于品级、有序或口头数据。
3. 小样本量：适用于样本量较小，中心极限度理不适用的情况。
4. 稳当性：对额外值或偏离假设散布的情况不太明锐。
参数锤真金不怕火基于对样本所来自总体参数（即特征）的假设。关节假设包括：
1. 正态散布：数据应呈正态散布。
2. 区间或比率标准：数据应采纳区间或比率标准进行测量（即数据是畅通的）。
3. 方差都性：被比较的不同组的方差应雷同。
4. 孤独性：不雅测值之间互相孤独。
1. 正态散布：数据应呈正态散布。
2. 区间或比率标准：数据应采纳区间或比率标准进行测量（即数据是畅通的）。
3. 方差都性：被比较的不同组的方差应雷同。
4. 孤独性：不雅测值之间互相孤独。
参数锤真金不怕火的示例包括前边接洽过的t锤真金不怕火（用于比较两组均值）、方差分析（用于比较三组或更多组的均值）和线性归来。
弃取参数锤真金不怕火还吵嘴参数锤真金不怕火取决于数据的性质以及参数锤真金不怕火的假设是否得到自豪。在数据呈正态散布时，参数锤真金不怕火的锤真金不怕火遵守更高；而对于不自豪这些假设的数据，非参数锤真金不怕火提供了更纯的确分析模范。
在体育科学中，非参数锤真金不怕火对于分析非正态散布或小样本量的数据相配有价值，这在好多体育干系研究中很常见。这些锤真金不怕火不错从多个方面为分析与比赛告捷发扬干系的身分提供视力：
1. 畅通发扬分析：非参数锤真金不怕火可用于比较畅通员在不同要求或不同期间段的发扬，举例比较不同环境要求下或老师前后的畅通发扬缱绻。
2. 损害与归附：在分析不同归附计策或损害谨防接洽的收尾时很有用，尤其是当数据不顺应正态散布或为有序数据（如祸患进程量表）时。
3. 心思身分：在评估动机或压力水对等心思身分时，由于干系响应可能是有序标准（如造访或问卷收尾），非参数锤真金不怕火更为适用。
4. 饮食与养分：分析不同饮食或养分搅扰对畅通员发扬的影响时，如果数据不顺应参数锤真金不怕火所需的假设，非参数锤真金不怕火可施展作用。
5. 东谈主才采用：可用于东谈主才采用名目中，分析畅通员的各式肉体和生理特征。
1. 畅通发扬分析：非参数锤真金不怕火可用于比较畅通员在不同要求或不同期间段的发扬，举例比较不同环境要求下或老师前后的畅通发扬缱绻。
2. 损害与归附：在分析不同归附计策或损害谨防接洽的收尾时很有用，尤其是当数据不顺应正态散布或为有序数据（如祸患进程量表）时。
3. 心思身分：在评估动机或压力水对等心思身分时，由于干系响应可能是有序标准（如造访或问卷收尾），非参数锤真金不怕火更为适用。
4. 饮食与养分：分析不同饮食或养分搅扰对畅通员发扬的影响时，如果数据不顺应参数锤真金不怕火所需的假设，非参数锤真金不怕火可施展作用。
5. 东谈主才采用：可用于东谈主才采用名目中，分析畅通员的各式肉体和生理特征。
在体育科学中使用非参数锤真金不怕火，可确保即使数据不自豪参数锤真金不怕火的严格假设，所得出的论断已经灵验。这对于制定基于可靠统计分析的灵验老师接洽、损害谨防计策和畅通发扬进步时期至关首要。
卡方锤真金不怕火
卡方锤真金不怕火（ ）属于非参数锤真金不怕火，用于判断两个分类变量之间是否存在关联（举例，迫切和退守位置的畅通员在承担高于平均老师量的情况上是否存在各别？）。举例，从业者不错专揽卡方分析，来判断迫切球员和退守球员中，承担低于或高于平均老师量的东谈主数是否存在关联。此时有两个分类变量，一个变量有两个分组（迫切和退守），另一个变量有两个选项（低于平均、高于平均 ）。如果P值显耀，就不错判断在特定老师或比赛中，迫切球员和退守球员中，参与低于或高于平均老师量的东谈主数是否存在显耀各别。
卡方统计量的筹画公式为： ，在这个公式里，“O”代表不雅测频数，“E”代表在零假设下的守望频数。通过比较不雅测值（O）与假设无关联或无效当令的守望值（E）之间的各别，卡方统计量简略掂量不雅测频数与守望频数的偏离进程。若不雅测频数与守望频数各别很大，卡方值就会很大，这标明不雅测散布与守望散布存在显耀各别。
使用ChatGPT了解卡方锤真金不怕火
• ChatGPT提醒：讲解注解卡方锤真金不怕火，并以篮球老师为例。
• ChatGPT复兴：假设你是大学篮球队的一员，你思知谈球员所采纳的老师面容是否会影响他们在实际比赛中的发扬。具体来说，你和蔼两种老师面容：力量老师和耐力老师。
• ChatGPT提醒：讲解注解卡方锤真金不怕火，并以篮球老师为例。
• ChatGPT复兴：假设你是大学篮球队的一员，你思知谈球员所采纳的老师面容是否会影响他们在实际比赛中的发扬。具体来说，你和蔼两种老师面容：力量老师和耐力老师。
卡方锤真金不怕火是一种统计用具，可用于降服老师面容（力量老师或耐力老师）与球员发扬（举例 “高于平均水平” 或 “低于平均水平” 的发扬）之间是否存在显耀关联。
具体设施如下：
1. 网罗数据：当先，网罗团队成员的数据。对于每位球员，记载他们的主要老师要点（力量老师照旧耐力老师）以及他们的发扬类别（高于平均水平或低于平均水平）。
2. 创建列联表：将这些数据整理摆设联表。举例，可能如下所示：
老师类型 高于平均发扬 低于平均发扬 算计 力量老师 10 5 15 耐力老师 6 9 15 算计 16 14 30
1. 网罗数据：当先，网罗团队成员的数据。对于每位球员，记载他们的主要老师要点（力量老师照旧耐力老师）以及他们的发扬类别（高于平均水平或低于平均水平）。
2. 创建列联表：将这些数据整理摆设联表。举例，可能如下所示：
老师类型 高于平均发扬 低于平均发扬 算计 力量老师 10 5 15 耐力老师 6 9 15 算计 16 14 30
此表展示了每种老师类型下，发扬高于或低于平均水平的球员东谈主数。
3. 守望频数：接下来，筹画表中每个单位格的守望频数。该频数是在假设老师类型与发扬之间没关计议的情况下，你预期会得到的数值，基于老师类型不影响发扬这一假设。
4. 卡方统计量：然后，筹画卡方统计量。这需要筹画每个单位格中实际频数与守望频数的差值，将差值平方，再除以守望频数，临了将通盘单位格的这些值相加。
5. 收尾解读：临了一步是解读该统计量。较高的卡方值标明实际频数与守望频数之间的各别不太可能是由马上身分变成的。换句话说，这标明老师面容可能照实对发扬有影响。较低的值则标明两者之间莫得显耀关系。
在这种情况下，卡方锤真金不怕火有助于降服不同的篮球老师面容是否对球员发扬具有统计学上的显耀影响。它就像是一种用具，用于探究你所不雅察到的模式（比如更多进行力量老师的球员发扬高于平均水平）是正巧，照旧存在确切的潜在计议。
威尔科克森标记秩锤真金不怕火
当分析的因变量不呈正态散布，或者使用有序数据（如问卷得分给出的规定）且受试者参与了两种要求的测试时，会使用威尔科克森标记秩锤真金不怕火来替代配对t锤真金不怕火。
假设你是大学篮球队的一员，你思了解球队在通盘赛季中的肉体情景变化。具体来说，你思比较球员在赛季上半段和下半段比赛中的平均心率负荷。你怀疑跟着赛季的股东，球员们可能会变得更健康，从而导致比赛中心率发生变化。
威尔科克森标记秩锤真金不怕火是一种用于比较两个干系样本的统计模范。在这个例子中，两个样分内别是归并篮球畅通员在两个不同期间（赛季上半段和下半段）的心率负荷。具体操作如下：
1. 假设情景和数据网罗：假设有一支篮球队，队中有5名球员，你记载了他们在赛季上半段和下半段比赛中的平均心率负荷。以下是假设数据：
球员 上半段平均心率（bpm） 下半段平均心率（bpm） A 150 145 B 160 155 C 155 150 D 148 140 E 165 160
2. 筹画各别：当先，筹画每位球员赛季上半段到下半段心率负荷的各别。
球员 各别（上半段 - 下半段） A 5 B 5 C 5 D 8 E 5
3. 对各别进行排序：对这些各别进行排序，忽略标记。
球员 各别 排序 A 5 1 B 5 1 C 5 1 D 8 4 E 5 1 （注：由于存在交流数值，各别为5的每位球员的排序取平均值，在此例中为1。）
4. 给排序赋予标记：通盘各别均为正值（标明从赛季上半段到下半段心率着落），因此通盘排序均为正。
5. 排序乞降与锤真金不怕火统计量：正排序之和：1 + 1 + 1 + 4 + 1 = 8。
6. 解读
• 锤真金不怕火统计量：在此例中，假设咱们筹画出的锤真金不怕火统计量（基于排序之和）为8。
• 显耀性：假设把柄威尔科克森标记秩锤真金不怕火，咱们发现该值具有统计学显耀性（举例p值<0.05 ）。
• 分析与论断：锤真金不怕火收尾具有显耀性，这标明从赛季上半段到下半段，球员的平均心率负荷有统计学上的显耀着落。这可能意味着跟着赛季的股东，球员们对比赛的肉体顺应性增强，导致比赛中心率裁汰，这标明心血管效率提高或比赛强度发生了变化。需要慎重的是，该锤真金不怕火并未讲解心率着落的原因——是由于体能改善、比赛立场变化照旧其他身分。要了解潜在原因，还需要进一步研究。
1. 假设情景和数据网罗：假设有一支篮球队，队中有5名球员，你记载了他们在赛季上半段和下半段比赛中的平均心率负荷。以下是假设数据：
球员 上半段平均心率（bpm） 下半段平均心率（bpm） A 150 145 B 160 155 C 155 150 D 148 140 E 165 160
2. 筹画各别：当先，筹画每位球员赛季上半段到下半段心率负荷的各别。
球员 各别（上半段 - 下半段） A 5 B 5 C 5 D 8 E 5
3. 对各别进行排序：对这些各别进行排序，忽略标记。
球员 各别 排序 A 5 1 B 5 1 C 5 1 D 8 4 E 5 1 （注：由于存在交流数值，各别为5的每位球员的排序取平均值，在此例中为1。）
4. 给排序赋予标记：通盘各别均为正值（标明从赛季上半段到下半段心率着落），因此通盘排序均为正。
5. 排序乞降与锤真金不怕火统计量：正排序之和：1 + 1 + 1 + 4 + 1 = 8。
6. 解读
• 锤真金不怕火统计量：在此例中，假设咱们筹画出的锤真金不怕火统计量（基于排序之和）为8。
• 显耀性：假设把柄威尔科克森标记秩锤真金不怕火，咱们发现该值具有统计学显耀性（举例p值<0.05 ）。
• 分析与论断：锤真金不怕火收尾具有显耀性，这标明从赛季上半段到下半段，球员的平均心率负荷有统计学上的显耀着落。这可能意味着跟着赛季的股东，球员们对比赛的肉体顺应性增强，导致比赛中心率裁汰，这标明心血管效率提高或比赛强度发生了变化。需要慎重的是，该锤真金不怕火并未讲解心率着落的原因——是由于体能改善、比赛立场变化照旧其他身分。要了解潜在原因，还需要进一步研究。
• 锤真金不怕火统计量：在此例中，假设咱们筹画出的锤真金不怕火统计量（基于排序之和）为8。
• 显耀性：假设把柄威尔科克森标记秩锤真金不怕火，咱们发现该值具有统计学显耀性（举例p值<0.05 ）。
• 分析与论断：锤真金不怕火收尾具有显耀性，这标明从赛季上半段到下半段，球员的平均心率负荷有统计学上的显耀着落。这可能意味着跟着赛季的股东，球员们对比赛的肉体顺应性增强，导致比赛中心率裁汰，这标明心血管效率提高或比赛强度发生了变化。需要慎重的是，该锤真金不怕火并未讲解心率着落的原因——是由于体能改善、比赛立场变化照旧其他身分。要了解潜在原因，还需要进一步研究。
此示例为便于讲解简化了历程。在实际情况中，通常会使用统计软件来筹画锤真金不怕火统计量和p值，何况可能会有更多球员和更复杂的数据。
威尔科克森-曼-惠特尼U锤真金不怕火
当存在两组数据（举例迫切组和退守组），且因变量不呈正态散布，数据为有序数据（如问卷得分给出的规定）或畅通数据（如可衣着建设网罗的数据）时，会使用威尔科克森 - 曼 - 惠特尼U锤真金不怕火来替代孤独样本t锤真金不怕火。威尔科克森 - 曼 - 惠特尼U锤真金不怕火，通常简称为曼 - 惠特尼U锤真金不怕火，在解决有序数据或非正态散布的区间数据时特地有用。与假设数据呈正态散布的t锤真金不怕火不同，曼 - 惠特尼U锤真金不怕火不要求这一假设，使其对于通常乌有足顺应正态散布的实际数据更具通用性。
以一支大学畅通队为例，假设有两组东谈主员：迫切球员和退守球员。你思研究这两组球员在感知社会压力方面的各别。球员们填写压力造访问卷，得到的是有序数据（如 “无压力”“中度压力”“高度压力” 等排序数据）。网罗到的数据不呈正态散布，可能是因为大多数球员论说的压力水平较低，但少数球员论说的压力相配高，导致数据散布偏畸。此时不错应用曼 - 惠特尼U锤真金不怕火来降服迫切球员和退守球员论说的压力水平是否存在统计学上的显耀各别。该锤真金不怕火通过比较两组压力水平的排序来完了这一办法。如果锤真金不怕火发现有在显耀各别，则标明球员在球队中的位置（迫切或退守）可能与不同的感知社会压力水平干系。
1. 假设情景和数据网罗：以大学橄榄球队为例进行假设分析，比较迫切球员和退守球员的感知社会压力水平。每位球员都完成一份评估社会压力水平的问卷，收尾按1 - 10分进行评分（1分示意无压力，10分示意高出压力）。假设数据如下：
• 迫切球员压力得分：[3, 4, 2, 5, 3, 4]
• 退守球员压力得分：[6, 7, 5, 7, 6, 8]
2. 进行曼-惠特尼U锤真金不怕火：对迫切球员和退守球员这两个孤独样本应用曼 - 惠特尼U锤真金不怕火。
3. 收尾
• U值：假设筹画出的U值为5。
• 显耀性水平（P值）：假设与此U值干系的P值为0.02。
4. 解读
• 剖判U值：U值响应了两组得分之间的重复进程。U值越小，重复进程越低，标明两组之间的各别越显耀。
• 显耀性：P值为0.02，小于通常设定的0.05的显耀性水平，这意味着收尾具有统计学显耀性。分析论断：显耀的收尾标明球队中迫切球员和退守球员的感知社会压力水平存在显耀各别。具体而言，退守球员论说的社会压力水平似乎高于迫切球员。
1. 假设情景和数据网罗：以大学橄榄球队为例进行假设分析，比较迫切球员和退守球员的感知社会压力水平。每位球员都完成一份评估社会压力水平的问卷，收尾按1 - 10分进行评分（1分示意无压力，10分示意高出压力）。假设数据如下：
• 迫切球员压力得分：[3, 4, 2, 5, 3, 4]
• 退守球员压力得分：[6, 7, 5, 7, 6, 8]
• 迫切球员压力得分：[3, 4, 2, 5, 3, 4]
• 退守球员压力得分：[6, 7, 5, 7, 6, 8]
2. 进行曼-惠特尼U锤真金不怕火：对迫切球员和退守球员这两个孤独样本应用曼 - 惠特尼U锤真金不怕火。
3. 收尾
• U值：假设筹画出的U值为5。
• 显耀性水平（P值）：假设与此U值干系的P值为0.02。
• U值：假设筹画出的U值为5。
• 显耀性水平（P值）：假设与此U值干系的P值为0.02。
4. 解读
• 剖判U值：U值响应了两组得分之间的重复进程。U值越小，重复进程越低，标明两组之间的各别越显耀。
• 显耀性：P值为0.02，小于通常设定的0.05的显耀性水平，这意味着收尾具有统计学显耀性。分析论断：显耀的收尾标明球队中迫切球员和退守球员的感知社会压力水平存在显耀各别。具体而言，退守球员论说的社会压力水平似乎高于迫切球员。
• 剖判U值：U值响应了两组得分之间的重复进程。U值越小，重复进程越低，标明两组之间的各别越显耀。
• 显耀性：P值为0.02，小于通常设定的0.05的显耀性水平，这意味着收尾具有统计学显耀性。分析论断：显耀的收尾标明球队中迫切球员和退守球员的感知社会压力水平存在显耀各别。具体而言，退守球员论说的社会压力水平似乎高于迫切球员。
非参数锤真金不怕火在评估关系或分类变量时相配首要。这些分析天然无法得出确切的因果论断，但不错为从业者和素养提供真义且有价值的信息，主如若对于比赛收尾或问卷数据方面的信息。上风比也可算作二元逻辑归来的一部分使用，因为一个收尾（举例比赛的输赢 ）时常与多个身分干系。
第10章问题 - 上风比、相对风险和非参数锤真金不怕火
1. 上风比有助于降服因果关系？（ ）
• a. 正确
• b. 造作
2. 上风比不错匡助从业者了解以下哪项？（ ）
• a. 让畅通员战争或不战争某种刺激奈何影响收尾
• b. 将畅通员与一个孤独变量进行比较奈何影响收尾
• c. 将畅通员与一个不同的因变量计议起来奈何影响收尾
3. 剖判SPSS输出中的（ ）不错匡助你更好地剖判让畅通员战争特定要求的上风。
• a. 灵验百分比
• b. 案例解决
• c. 95%置信区间
4. 以下哪种统计模范与配对样本t锤真金不怕火雷同？（ ）
• a. 威尔科克森标记秩锤真金不怕火
• b. 威尔科克森 - 曼 - 惠特尼U锤真金不怕火
• c. 卡方锤真金不怕火ag百家乐代理
1. 上风比有助于降服因果关系？（ ）
• a. 正确
• b. 造作
• a. 正确
• b. 造作
2. 上风比不错匡助从业者了解以下哪项？（ ）
• a. 让畅通员战争或不战争某种刺激奈何影响收尾
• b. 将畅通员与一个孤独变量进行比较奈何影响收尾
• c. 将畅通员与一个不同的因变量计议起来奈何影响收尾
• a. 让畅通员战争或不战争某种刺激奈何影响收尾
• b. 将畅通员与一个孤独变量进行比较奈何影响收尾
• c. 将畅通员与一个不同的因变量计议起来奈何影响收尾
3. 剖判SPSS输出中的（ ）不错匡助你更好地剖判让畅通员战争特定要求的上风。
• a. 灵验百分比
• b. 案例解决
• c. 95%置信区间
• a. 灵验百分比
• b. 案例解决
• c. 95%置信区间
4. 以下哪种统计模范与配对样本t锤真金不怕火雷同？（ ）
• a. 威尔科克森标记秩锤真金不怕火
• b. 威尔科克森 - 曼 - 惠特尼U锤真金不怕火
• c. 卡方锤真金不怕火
• a. 威尔科克森标记秩锤真金不怕火
• b. 威尔科克森 - 曼 - 惠特尼U锤真金不怕火
• c. 卡方锤真金不怕火
发布于：吉林省
