在医学领域，卡方检验是最为常用的统计方法，可用于研究定类数据和定类数据的关系情况。比如研究吸烟与不吸烟的人患支气管炎的概率是否有差别？
但如果其中一个变量是等级数据时，很多人依然习惯性地使用卡方检验。比如研究两种药物对支气管炎的疗效对比。其中疗效分为四个水平（治愈、显效、有效、无效），用卡方检验只能反映变量之间是否有无差异，当出现差异性时，无法进一步比较各层次的水平情况。
这种情况下，可以选择方差非参数检验的秩和检验进行分析。或者在医学上，还有一种非参数检验方法叫做Ridit分析，也可用于定类数据与定量（等级）数据之间的差异性。本文将重点介绍Ridit分析。
原理说明
Ridit分析在医学研究中使用较为广泛。其功能与非参数检验类似，但原理上有着很大的区别，Ridit的原理在于将等级数据‘转化’成连续数据即得到Ridit值，然后对比Ridit值的差异性，‘转化’时涉及两种方式：一种是将“求和”作为参照值，另外一种是将“最大值”作为参照值。一般情况下，如果说某组数数据非常明显的多，则使用“最大值”方式，其它情况下建议使用“求和”方式。
案例应用
1、背景
当前研究两种药物（分别是复方江剪刀草（1）与胆麻片（2））对于慢性气管炎疗效的差异性，其中疗效分为四个水平分别是无效（1）、数好转（2）、显著好转（3）、控制（4），共收集3424例数据。
上文中提到过，Ridit分析的第一步首先要选择一个参照组，得出更登记的Ridit值。从上图来看，收集到的样本中，使用第一种治疗方式治疗的人明显多于第二种。因此选择“最大值”参照组方式更适合。
2、操作步骤
放入对应的分析项以及权重项，参照组选择'最大值'，点击‘开始Ridit分析’。
3、结果分析
首先分析是否呈现出显著性(P值小于0.05或0.01)，由上图可知，治疗方式对于疗效呈现出显著性(z=-4.097, p=0.000<0.05)，意味着不同治疗方式组别对于疗效呈现出差异性。
当分析呈现出显著性差异时，可通过平均Ridit值结合箱线图来对比具体的差异情况。
具体分析可知：使用胆麻片治疗的效果平均Ridit值(0.62)会明显高于的复方江剪刀草的平均Ridit值(0.497)。箱线图也可以清晰地看到第一组的Ridit值，明显低于组别2的平均Ridit值。
更多干货内容可登录SPSSAU官网查看
