【SPSS】激素水平项目实战案例(上)：https://developer.aliyun.com/article/1434785
查看年龄与对数转换激素水平变量的相关性
操作步骤：
①【分析】-->【相关】-->【双变量】
②选择变量
③ 结果如下：
相关性中可以看到sig的值0.997，说明分析中年龄和激素水平没有关系，可以不考虑年龄变量。
4.4 激素水平的方差分析
操作步骤：
①【分析】-->【一般线性模型】-->【单变量】
②选择因变量和固定因子
③结果如下：
从显著性可以看到分组是有统计学意义的；性别是没有统计学意义的；分组和性别的交互作用有统计学意义。这说明男性和女性患者，他们的激素水平在试验组和对照组是不一样的。
4.5 秩变换分析
秩变换分析介绍
秩变换分析是一种非参数检验，把不符合正态分布的变量取它的秩次代替原来变量，再计算检验统计量进行分析。
“秩”的概念：
秩，简单说就是变量值排序的名次。可以将数据按升序排列，每个变量值都会有一个在整个变量值序列中的名次，这个名次就是变量值的秩。变量值有几个，对应的秩便有几个。
操作步骤：
①【转换】-->【个案排秩】
② 选择变量
③点击【确定】，在数据视图中可以看到秩次变量
④【分析】-->【一般线性模型】-->【单变量】
⑤选择因变量和固定因子
⑥ 点击【确定】,查看分析结果
在主体间效应检验中可以看到，修正模型显著性小于0.05，说明总体而言模型中有一些影响因素确实存在的，组别显著性小于0.05有统计学意义。年龄分组、组别和年龄分组的交互作用没有 统计学意义，所以，年龄变量可以剔除，不必参加分析。
从主体间效应检验中可以看到，组别有统计学意义；性别没有统计学意义，但是组别和性别的交互作用有统计学意义。
4.6Cox回归分析
Cox回归介绍
从分析的因素上看，有单因素分析和多因素分析。生存分析对应的多因素模型则常用Cox回归模型。
Cox回归又称为比例风险模型，能够同时考虑多个自变量对生存时间分布的影响。探讨到底哪类群体的“死亡”速度更快、到底什么因素影响了“死亡”速度。
Cox模型是针对生存时间和生存状态来建模，生存时间数据一般都是一个偏长尾的正偏态的分布。而我们的因变量激素水平数据分布正好是偏长尾的正偏态分布。将因变量取值看作“生存时间”。 定所有观测均在该时点出现结局事件，然后对其影响因素做生存数据的建模。 因为Cox模型是针对生存时间和生存状态来建模的，现在将因变 量激素水平变量看作“生存时间”，每个观测均在该点要出现结局事件。因此要创建一个生存状态变量。
操作步骤：
①【转换】-->【计算变量】
②选择目标变量
③【分析】-->【生存分析】-->【Cox回归】
④选择时间、状态
⑤定义分类协变量
⑥点击【确定】，在输出窗口查看输出结果
从分类变量编码可以看到，试验组参照编码为1，对照组参照编码为0。以"最后一个"分类为参照变量。也就是拿试验组和对照组相比；男性和女性进行相比。
在模型系数检验中显著性小于0.05，说明变量具有统计学意义。
在方程中的变量可以看到。组别显著性小于0.05是有统计学意义的。性别和年龄显著性大于0.05没有统计学意义。在变量编码中知道组别是试验组和对照组进行相比。系数B值0.82，表明试验组和对照组相比，死亡系数偏高的。Exp(B)等于2.274表明试验组相比对 照组在任何时间点，死亡风险都是对照组的2.274倍。这时候我们就很难对应起来，究竟是说试验组的激素水平高还是对照组高，Cox 模型应用到这个领域很不直观。那Cox模型的价值在哪？它主要可以快速的筛选变量，筛选出哪些变量有统计学意义，哪些变量没有统计学意义。Cox模型主要应用是分析灯泡寿命、轮胎使用寿命。 在经济领域的使用，比如财务收入，税后的收入。
5.总结
在本项目中，由于统计描述时发现因变量呈现偏态分布，因此分 别采用变量变换、秩变换和Cox模型进行了建模分析。结论一致如下：
- 性别、年龄对激素水平未发现有影响，其中后者无论是原始年龄，还是年龄分组均无统计学意义。
- 试验组和对照组之间的激素水平存在差异。
- 性别虽然对激素水平没有影响，但是发现组别和性别的交互性对激素水平有影响。可以做进一步分析。
