【小卫智库】公卫考研热点:难道分类资料的比较只能使用卡方检验?

卡方检验是主力，但有“细分替代”

卡方检验核心用于检验“类别频数分布是否一致”，但非唯一选择，需按设计和样本量调整：

（1）卡方检验适用场景：

· 两独立组：如“男性vs女性”的血型分布比较（Pearson卡方检验）；

· 多独立组：如“3个地区”的疾病类型分布比较（Pearson卡方检验）；

· 配对设计：如“同一批样本两种检测方法（阳性/阴性）”的一致性比较（McNemar卡方检验）。

（2）替代/补充方法：

· 样本量极小时（单元格期望频数<5）：用Fisher确切概率法（替代卡方检验，避免结果失真）；

· 需量化关联强度（而非仅判断“有无差异”）：如病例对照研究中“吸烟”与“患病”的关联，用四格表OR值分析（可结合卡方检验，核心输出OR及置信区间）；

卡方检验不适用，优先非参数检验

这是最易误用的场景——卡方检验会把“治愈>有效>无效”的等级当成“无顺序的类别”，丢失趋势信息，导致检验效能低下。此时需用：

1. 两独立组：Wilcoxon秩和检验（Mann-Whitney U检验）（如“新药组vs对照组”的疗效等级比较）；

2. 多独立组：Kruskal-Wallis H检验（如“3种药物”的疼痛程度等级比较，相当于有序资料的“方差分析”）；

3. 配对设计：Wilcoxon符号秩和检验（如“患者治疗前后”的满意度等级比较）；

4. 需分析等级关联：Spearman等级相关分析（如“年龄分组”与“疗效等级”的关联）。

用Logistic回归（完全替代卡方检验）

当需要同时考虑多个影响因素（如年龄、性别、治疗方式）对分类结局的影响时，卡方检验（仅能单因素分析）无法满足，需用：

1. 无序分类结局（如疾病类型：感冒/肺炎/胃炎）：多分类Logistic回归（量化各因素对“不同类别”的影响概率）；

2. 有序分类结局（如疗效等级：治愈→无效）：有序Logistic回归（比例优势模型）（量化因素对“等级升级/降级”的影响强度，比秩和检验更具解释性）。

（可间接用Z检验，但非首选）

1. 仅当资料是“二分类（阳性/阴性）、两独立组、大样本”（满足np≥5且n(1-p)≥5）时，可用于率的比较（如“新药组vs对照组的阳性率差异”），但本质是2×2卡方检验的等价形式（Z²=χ²），结果完全一致。

2. 优势是能直接输出“率差及置信区间”，但适用范围极窄（仅两组合并率比较，无法处理多组、多分类、小样本），日常更推荐用卡方检验（适用范围更广、结果更通用）。

1. 第一步：判断资料类型→ 无序分类/有序分类（等级资料）；

2. 第二步：判断设计类型→ 独立组（两/多组）/配对组、是否需多因素分析；

3. 第三步：匹配方法：

· 无序分类+独立/配对→ 优先卡方检验（小样本用Fisher确切概率法）；

· 有序分类+独立/配对→ 优先秩和检验（Wilcoxon/Kruskal-Wallis）；

· 需多因素分析/量化影响→ 用Logistic回归（无序/有序）；

· 两组合并率比较（大样本二分类）→ 可选Z检验，但更推荐卡方检验。