SPSS 命令: SPSS PROPORTIONS
在浏览器中做比例检验与置信区间
PROPORTIONS 过程在三种设计下检验和估计二项比例：单样本与检验值比较、同一批个案的两次配对测量，以及两个独立组。
免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日
能告诉你什么
Crosstabs 在你的设备上运行该过程，并将所有检验和区间方法并列输出，涵盖 Wald 与得分检验、精确二项检验、Wilson、Clopper-Pearson、Newcombe 和 Agresti-Caffo 等。
- 单个比例是否与目标值不同：得分检验、Wald 检验、精确二项检验和 mid-p 检验。
- 同一批个案两次测量之间比例是否发生变化（McNemar 类检验）。
- 两个独立组的比例是否不同：合并与非合并 Wald 检验以及 Hauck-Anderson 检验。
- 面板提供的每种方法给出的比例或差值置信区间，便于了解方法选择的影响有多大。
适用场景
适合使用
- 将调查或审核中的比例与基准比较：例如 62% 满意与 50% 目标。
- 同一批受访者前后两次的是/否结局，例如宣传活动前后的知晓率。
- A/B 测试以及两组之间转化率、回应率或缺陷率的比较。
改用其他方法
- 超过两组或结局有多个类别：使用交叉表中的卡方检验。
- 需要调整协变量：使用二元 logistic 回归。
- 数据来自加权整群调查：使用复杂抽样交叉表，因为此处不接受抽样权重。
在 Crosstabs 中如何操作
- 01
打开数据
打开每行一个个案的文件，并切换到“统计”模式。
- 02
选择比例
在“一致性与诊断”组中选择“比例”（PROPORTIONS）。
- 03
选择设计
将“设计”设为单样本、配对样本或独立样本，然后选择“视为成功的值”。
- 04
选择变量
单样本：勾选最多 20 个“检验变量”并设置“检验值（比例）”，默认为 0.5。配对样本：勾选“两次测量”。独立样本：勾选一个检验变量，选择“分组变量”，再选择“组 1”和“组 2”。
- 05
设置置信水平并运行
选择“置信水平（%）”；如有权重，将其声明为频数权重，然后点击“运行”。
计算示例
以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。
数据
模拟结账实验：120 名访客看到方案 A，115 名看到方案 B。每位访客以 .30（A）或 .44（B）的概率随机转化，使用固定随机种子；“已转化”为成功值。
| 组 | 成功数 | 试验数 | 比例 |
|---|---|---|---|
| A | 30 | 120 | 0.250 |
| B | 47 | 115 | 0.409 |
| 差值 | −0.159 |
| 检验类型 | Z | 单侧 p | 双侧 p |
|---|---|---|---|
| Hauck-Anderson | −2.539 | .006 | .011 |
| Wald | −2.622 | .004 | .009 |
| 连续性校正 Wald | −2.481 | .007 | .013 |
| Wald（H0） | −2.591 | .005 | .010 |
| 连续性校正 Wald（H0） | −2.452 | .007 | .014 |
双侧 p 为单侧 p 的两倍，上限为 1。
| 区间类型 | 点估计 | 95% CI 下限 | 95% CI 上限 |
|---|---|---|---|
| Agresti-Caffo | −0.159 | −0.274 | −0.038 |
| Brown-Li Jeffreys | −0.159 | −0.276 | −0.039 |
| Hauck-Anderson | −0.159 | −0.282 | −0.035 |
| Newcombe | −0.159 | −0.273 | −0.039 |
| 连续性校正 Newcombe | −0.159 | −0.279 | −0.033 |
| Wald | −0.159 | −0.277 | −0.040 |
| 连续性校正 Wald | −0.159 | −0.286 | −0.032 |
超出 [−1, 1] 的界限已截断。
结果解读
方案 A 的转化率为 25.0%，方案 B 为 40.9%，差值为 −0.159（Newcombe 95% 置信区间 −0.273 – −0.039）。Wald 检验 Z = −2.62，双侧 p = .009。7 种区间方法的下限介于 −0.286 与 −0.273 之间，上限介于 −0.040 与 −0.032 之间，且全部不包含 0。当组较小或比例接近 0 或 1 时，各方法差异会更大，此时 Newcombe 或 Agresti-Caffo 比普通 Wald 区间更稳妥。
输出表格说明
- 比例
- 每个变量或每对的汇总：单样本为成功数、试验数、观察比例与检验值；配对为两个比例、差值及四个单元格计数；独立样本为各组成功数、试验数、比例及差值。
- 假设检验
- 所选设计下的所有检验，适用时给出 Z，以及单侧和双侧 p 值。连续性校正会使差值向 0 收缩。
- 置信区间
- 每种方法的点估计及上下限：单样本九种（含 Wilson、Clopper-Pearson、Jeffreys、Agresti-Coull），配对五种（含 Newcombe、Agresti-Min、Bonett-Price），独立样本七种（含 Newcombe、Agresti-Caffo、Hauck-Anderson）。
前提假设与注意事项
- 每个个案在每个变量上贡献一个二分类结局（成功与否），且与其他个案相互独立。
- Wald 类检验和区间需要较大的计数；样本小或比例接近 0 或 1 时，应优先使用精确、Wilson 或 Newcombe 方法。
- 配对设计中两次测量针对同一批个案；独立设计中各组互不重叠。
结果如何验证
单样本得分 z 与 Wald z 与直接计算一致到 1e-12；精确与 mid-p 单侧 p 值与 SciPy 1.18 二项概率一致到 1e-10；Agresti-Coull、Clopper-Pearson、Jeffreys、Wilson 和 Wald 区间与 statsmodels 0.15 proportion_confint 一致到 1e-9；含与不含连续性校正的 Wilson 区间与 R prop.test 一致到 1e-12。独立样本的 Wald、合并 z、Agresti-Caffo、Newcombe 和 Wald 区间与 statsmodels 及 R PropCIs 0.3.0 一致到 1e-9 或更高精度；配对 McNemar z、精确 p 与 Newcombe 区间与独立实现一致。 验证证据（英文）
常见问题
应报告哪种置信区间？
单个比例以 Wilson 得分区间为宜，若需保证覆盖率可用 Clopper-Pearson。比例之差则推荐 Newcombe（独立或配对）或 Agresti-Caffo（独立）。计数较小时避免使用普通 Wald 区间。
配对检验与 McNemar 检验相同吗？
是的。配对设计中的 McNemar 行等于 McNemar 卡方的平方根并带有变化方向的符号；精确二项行即基于不一致对的精确 McNemar 检验。
为什么两组比较时 Wald（H0）与 Wald 的 Z 不同？
Wald（H0）在零假设下使用合并比例，与常用的两比例 z 检验和卡方检验一致；Wald 则使用各组自身的比例。
什么是 mid-p 检验？
精确二项 p 值减去观察计数概率的一半。它比精确检验更不保守，同时仍接近名义错误率。
相关过程
- 交叉表统计量CROSSTABS /STATISTICS
- 单样本非参数检验NPAR TESTS
- 二元 Logistic 回归LOGISTIC REGRESSION
- 复杂抽样交叉表CSTABULATE
- 免费的 SPSS 替代工具：支持范围
用你自己的数据运行比例检验
打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。
SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。