夜雨聆风链接：https://pan.baidu.com/s/15r0rLWkJlcecUvBPKZo_MQ?pwd=mnsj提取码：mnsj
https://www.mizhushare.com/docs/
前一篇文章中，详细介绍了分层卡方检验的相关操作：
针对数据中行、列变量均为多分类变量的情况，可以通过「对称测量」、「定向测量」指标，进一步量化变量间的关联强度。
若研究目标是在控制一个或多个分层（控制）变量的前提下，检验二分因子变量与二分响应变量之间的独立性，则应采用「柯克兰和曼特尔-亨塞尔统计」进行分析。
一、加载数据：
二、个案加权：
因为数据有权重变量频数，因此分析前需进行加权操作，点击顶部菜单栏的【数据→个案加权】，将「count」频数变量放入加权框中。
关于个案加权的具体操作内容可以参考以下文章：
点击顶部菜单栏的【分析→描述统计→交叉表】，在打开的对话框中进行相应设置。
行：指定作为行变量的分类变量。通常选择分组变量（本次为「age」）。
列：指定作为列变量的分类变量。通常选择因变量、结果变量（本次为「Disease」）。 层：指定层变量（控制变量）。用于考察在控制第三变量后，行变量与列变量的关系是否仍然存在（本次为「region」）。
点击「统计」按钮，在打开的「交叉表:统计」对话框中选择要输出的统计量，用于判断变量间是否存在显著关联。本次选择「Chi-square（卡方检验）」、「柯克兰和曼特尔-亨塞尔统计」。关于各统计指标的具体介绍可以参考以下文章：
【统计分析软件SPSS】62、交叉表（续）——统计量与显示选项
点击「单号格」按钮，在打开的「交叉表:单号格显示」对话框中设置交叉表中每个单元格显示的内容。本次选择「行百分比」。
设置完成，点击确定。
输出结果一：个案处理摘要
该表展示参与分析的有效样本数量和缺失值情况。用于估数据完整性，确认有多少个案被纳入分析。
输出结果二：交叉表
交叉表以行列形式展示两个（或更多）分类变量的联合频数分布，直观呈现不同类别组合下的观察频数及百分比，帮助发现变量间的初步关联模式或趋势。
本次示例中，可以看出：
成人中A型疾病的比例显著高于儿童；
除了“年龄”因素外，“地区”对疾病类型可能也存在某种潜在影响。
不过，后续还需通过卡方检验的结果来确认上述判断。
输出结果三：卡方检验
本次示例中，卡方检验是针对「地区（region变量）」分别进行的。
通过查看表下方的注脚，最小期望频数远大于5，说明样本量充足，模型稳健，卡方检验的结果是非常可靠的。
北方地区、南方地区以及两地区合并数据的卡方检验结果的皮尔逊卡方对应的渐进显著性（双侧）均小于0.05，表明地区层间差距显著。
输出结果四：比值比齐性检验
比值比齐性检验用于检验不同层间的比值比（层间关联）是否一致。
本次示例中，显著性p值=0.150＞0.05，不拒绝“各层OR同质”的原假设，即认为北方和南方两个地区的效应量（OR值）是同质的。说明地区层间的差异并无统计学意义，即地区不会显著改变年龄与疾病类型的关联方向和强度。这一结果为后续合并层间效应、计算总体OR值提供了依据，说明我们可以通过曼特尔-亨塞尔方法，合并两个地区的效应值（无需按地区分开讨论），得到控制地区混杂后的总体关联结果。
输出结果五：条件独立性检验
条件独立性检验是分层卡方检验的核心步骤，用于在控制分层变量（本次为地区）的影响后，检验行变量（不同年龄）和列变量（疾病类型）间是否仍然存在关联。表格提供了两种检验结果 ——柯克兰（Cochran's）和曼特尔-亨塞尔（Mantel-Haenszel）两种卡方检验，前者是后者的改进版。
本次示例中，显著性p值均小于0.05，拒绝“条件独立”的原假设，说明在控制地区影响后，年龄分组与疾病类型之间仍然存在显著的统计学关联，即年龄对疾病类型的影响是独立于地区的，并非由地区差异导致的假象。
输出结果六：曼特尔-亨塞尔一般比值比估算
本次示例中，曼特尔-亨塞尔一般比值比估算（Mantel-Haenszel OR值估算）结果=0.151，p＜0.001，再次证实了关联的显著性。关于关联方向与强度解读如下：
变量定义：年龄分组中，值标签为1=儿童、2=成人；疾病类型中，值标签为1=A型、2=B型，因此OR值反映的是“成人 vs 儿童，发生B型疾病的比值比”。
直接解读：OR=0.151＜1，说明成人发生B型疾病的风险，是儿童的0.151倍，即成人发生 B 型疾病的风险显著低于儿童。
优势比转换：为了更符合表达习惯，我们可以取倒数：1/0.151=6.623。这意味着，儿童患B型疾病的风险（Odds）是成人的6.623倍；或者说，成人更可能患A型疾病，其几率是儿童的6.623倍。
