1、crosstabs列聯分析相關分析在問卷調查、產品檢驗、醫學統計等領域，長需對問題按兩個或多個不同的特征進行分類，然后對樣本進行交叉匯總后就得到了各種各樣的列聯表。一般對列聯表的統計分析只著重于分類特征之間是否相互依賴，或者說相互獨立，此時可借助卡方檢驗，也可計算相關系數做相關分析，還可根據不同數據類型給出相應的關聯系數。卡方檢驗是統計判斷是否相互依賴，計算相關系數和關聯系數是判斷和衡量相關或依賴關系的傾向和程度。不同數據類型間的相關系數或關聯系數合理選擇列于下表：X y區間或比率變量順序變量名義變量區間或比率變量Pearson積差相關系數Spearman等級相關系數Eta系數順序變量Spearman等級相關系數Gamma 系數Somers d系數Kendall和諧系數Kendall系數卡方值名義變量Pearson卡方值列聯系數相關系數Gramers V系數對稱系數 關于卡方檢驗、相關系數或關聯系數的細節介紹可參考：列聯表分析及在SPSS中的實現pdf文件和相關分析案例PPT文件。 SPSS中Crosstabs工具執行列聯分析，其選項中Statistics如下圖所示：上圖指出：名義變量間、順序變量間、名義變量和區間變量間可選的關聯系數，可參考上面表理解。對上圖，Spss的幫助文件解釋如下：Chi-square. 對2x2的列聯表, 選Chi-square 來計算 Pearson 卡方值, 似然比卡方值, Fishers 精確檢驗, and Yates 修正后卡方值 (連續修正). 對 2 x 2 列聯表, 當表中有一個單元格的期望頻率少于5時，進行Fishers 修正檢驗，其他情況計算 Yates 修正卡方值。 對那些有任意數目的行和列的表，選擇 Chi-square 計算 Pearson 卡方值和 似然比卡方值。 當表的變量是數量型的， Chi-square 執行線線關聯檢驗。.Correlations. 當表的行列中的值都是可排序的， Correlations 計算 Spearmans 修正系數, rho (僅對數字數據). Spearmans rho 是變量秩序間的關聯測度. 當變量都是數量型的, Correlations 計算Pearson 相關系數, r, 測度變量間線性相關系數。 Nominal. 對名義數據, 選擇 Phi (coefficient) 、 Cramrs V, Contingency coefficient, Lambda (symmetric and asymmetric lambdas and Goodman and Kruskals tau), and Uncertainty coefficient.Ordinal. 對行列都包含的是順序值的表, 選 Gamma (zero-order for 2-way tables and conditional for 3-way to 10-way tables), Kendalls tau-b, and Kendalls tau-c. 對從行分類預測列分類選 Somers d.Nominal by Interval. 當一個變量是定類的，另一個是數量型的選Eta. 分類變量必須用數字編碼.Kappa. 對行列有同樣分類的表， (例如，測度兩個等級是否一致), 選擇 Cohens Kappa.Risk. 對2X2表, 對相對風險估計和勝算（odds ratio）選Risk .McNemar. McNemar 檢驗對兩個二分類變量的非參數檢驗. 用卡方分布檢驗響應變化。對偵測由于實驗干擾前后的響應變化是很有用的。 Cochrans and Mantel-Haenszel. Cochrans and Mantel-Haenszel 統計量能夠用來檢驗二分類變量間的獨立性，由控制變量定義的條件共變模式，Mantel-Haenszel common odds ratio 也被計算, 同時 Breslow-Day and Tarones statistics 也被計算，用來檢驗common odds ratio的同質性. 2、crosstab列聯表變量之間的關系完全關系與無關在交叉表中，當自變量的類別改變時，因變量的某個給定類別變化的幅度可以是0%到100%。如果因變量每個類別的百分數差都是100，表明兩個變量是完全相關（associated perfectly）。如表1所示，如果所有個案都位于列聯表的對角線單元格上，則兩個定序變量是完全關系。完全關系的情形有兩類。首先，如果兩個變量的類別都以升序排列（如低、中、高），當所有個案都落在連接左上角與右下角的對角線單元格時，則兩個變量是完全正的關系。這個模式表明當自變量的值提高時，因變量的值也隨之提高。第二，如表1所示，當所有個案都落在連接右上角與左下角的對角線單元格時，則兩個變量是完全負的關系。這個模式表明當自變量的值提高時，因變量的值隨之降低。被觀察的交叉表與這兩種模式越接近，則變量之間的關聯越緊密。由于我們假設因變量隨自變量的變動而變動，這種模式被稱為關聯的共變模式（covariation model）。表1 完全關系完全正的關系自變量因變量類別1類別2類別k類別1100%0%0%類別20%100%0%類別k0%0%100%合計100%100%100%完全負的關系自變量因變量類別1類別2類別k類別10%0%100%類別20%100%0%類別k100%0%0%合計100%100%100%在交叉表的另一個極端情況下，因變量每個類別的百分數差都是0%，這時兩個變量無關（not associated）。因變量在自變量每個類別內的分布越接近，兩個變量之間的關聯越松散。當這些分布相同時，兩個變量之間關聯的緊密程度最小。在這種情況下，變量完全無關或獨立。表2 無關聯無關聯：一般模式（a%+b%+c%=100%）自變量因變量類別1類別2類別3類別1a%a%a%類別2b%b%b%類別3c%c%c%合計100%100%100