一、問題與資料

某研究者想要觀察戒菸干預的效果，招募了50名研究物件，其中吸菸者和不吸菸者各25名。所有研究物件均觀看吸菸導致癌症的影片。兩週後，研究者詢問研究物件是否還在吸菸。

研究者收集了所有研究物件的干預前吸菸狀態（before）和干預後吸菸狀態（after）。兩個變數均為二分類變數，即不吸菸與吸菸（分別賦值為1和2），部分資料如下圖。

其中，Individual scores for each paticipant列出了每一個研究物件的情況，而Total count data （frequencies）則是對相同情況研究物件的資料進行了彙總。

二、對問題的分析

研究者想了解

同一人群干預前後

的吸菸狀態，且吸菸狀態為二分類變數。針對這種情況，可以使用McNemar’s檢驗，但需要先滿足2項假設。

假設1：

變數為二分類，且兩類之間互斥。

假設2：

所有研究物件均有前後兩次測量資料。

這2項假設均與研究設計和資料型別有關。

三、SPSS操作

1. 資料加權

如果資料是彙總格式（如上圖中的Total count data），則在進行卡方檢驗之前，需要先對資料加權。如果資料是個案格式（如上圖中的Individual scores for each paticipant），則可以跳過“資料加權”步驟，直接進行SPSS操作。

資料加權的步驟如下：

在主介面點選Data→Weight Cases，彈出Weight Cases對話方塊後，點選Weight cases by，啟用Frequency Variable視窗。將freq變數放入Frequency Variable欄，點選OK。

2. McNemar’s檢驗

在主介面點選Analyze→Nonparametric Tests→Related Samples。出現Nonparametric Tests：Two or More Related Samples對話方塊。確認在What is your objective？區域勾選了Automatically compare observed data to hypothesized。

點選Fields，將變數Before和After選入Test Fields：框。（如果使用的資料是Total count data的形式，則Fields中還有變數freq，但其餘操作都相同）。

點選Settings，選擇Customize tests並勾選Test for Change in Binary Data區域的McNemar’s test （2 samples），點選Run。

四、結果解釋

1. 統計描述

McNemar’s檢驗的最終檢驗結果如下圖：

雙擊Hypothesis Test Summary，啟動Model Viewer視窗。

右側出現Related-Samples McNemar Change Test，下方的表則包含多個統計量，首先檢視Related-Samples McNemar Change Test。

研究者可以觀察到只有條形圖的格子，沒有觀測數和期望數，將滑鼠移到條形圖區域即可顯示觀測數和期望數。

報告McNemar檢驗結果前，研究者需要了解資料才能更好地解讀。其中最重要的就是分別彙報干預前吸菸者在干預後繼續吸菸和戒菸的比例。研究者在進行McNemar檢驗前可以計算這些比例，也可以利用Related-Samples McNemar Change Test計算。

50例研究物件中25例為不吸菸者，即干預前不吸菸者的比例為50% （25 ÷ 50 = 50%）。干預後，50例研究物件中有36例不吸菸，因此不吸菸者的比例上升至72% （36 ÷ 50 = 72%）。除此之外，還應該報告干預前後吸菸狀態發生改變的研究物件。

該圖的左下角格子表示，有16例研究物件干預前吸菸，干預後戒菸。右上角格子表示， 5例研究物件干預前不吸菸，干預後開始吸菸。

因此，研究者應該彙報：本研究招募了50例研究物件參與有關戒菸的干預試驗，其中吸菸者和不吸菸者各佔50%。干預後，不吸菸者比例增加到72%，吸菸者比例降低至28%。16例吸菸者在干預後戒菸，另有5例不吸菸者在干預後開始吸菸。

2. McNemar檢驗結果

將前述的“Model Viewer”中的檢驗結果，整理後如下圖：

Hypothesis Test Summary表的註釋1說明了根據二項式分佈用精確法得到P值。可以看到，Hypothesis Test Summary表“Sig。”一列的值，與右側表中的“Exact Sig。 （2-sided test）”的值相等。

McNemar檢驗的P值可以根據二項分佈得出

精確P值

，也可透過卡方分佈（自由度為1）得出

近似P值

。如果圖中

左下和右上背景標黃的格子

中研究物件總數小於等於25時，採用精確法計算。

從上圖中可以看到兩個格子相加的觀測數為21（16+5=21），小於25，因此本例中根據二項分佈計算精確P值。

輸出結果的表格中，“Exact Sig。 （2-sided test）”一行的P值為0。027，“Asymptotic Sig。 （2-sided test）”一行的近似P值為0。029。（如果左下和右上格子相加的觀測數大於25，不展示精確P值，只展示近似P值，此時Hypothesis Test Summary表中結果也是近似P值）。

不管SPSS給出精確P值還是近似P值，判斷假設檢驗的方法仍然相同。如果P值小於0。05，McNemar檢驗有統計學意義，即干預前和干預後不吸菸者的比例有統計學差異。

五、撰寫結論

如果得到的是根據二項分佈計算McNemar檢驗的精確P值（即本例中的情況），則彙報：

本研究招募了50例研究物件參與有關戒菸的干預試驗，其中吸菸者和不吸菸者各佔50%。干預後，不吸菸者比例增加到72%（36例），吸菸者比例降低至28%（14例）。16例吸菸者在干預後戒菸，另有5例不吸菸者在干預後開始吸菸。採用McNemar精確檢驗發現，干預前後不吸菸者比例的差異有統計學意義，P=0。027。

如果得到的是根據卡方分佈計算McNemar檢驗的近似P值（非本例情況），則彙報：

本研究招募了50例研究物件參與有關戒菸的干預試驗，其中吸菸者和不吸菸者各佔50%。干預後，不吸菸者比例增加到72%（36例），吸菸者比例降低至28%（14例）。16例吸菸者在干預後戒菸，另有5例不吸菸者在干預後開始吸菸。採用校正卡方檢驗發現，干預前後不吸菸者比例的差異有統計學意義，P=0。027。

（想要及時獲得更多內容可關注“醫咖會”微信公眾號：傳播研究進展，探討臨床研究設計與醫學統計學方法；也可檢視醫咖會 - 臨床研究設計和醫學統計交流平臺，獲取60篇統計方法的詳細SPSS教程。）