)小樣本資料：用二項分佈進行確切機率法檢驗;

　　(2)大樣本資料：用U檢驗;

　　2)多分類資料：用Pearson檢驗(又稱擬合優度檢驗)。

　　2. 四格表(2×2表)資料

　　1)完全隨機設計的四格表資料的分析

　　(1)當樣本量n>40，並且4個格子理論數均大於5時，則用Pearson 檢驗;

　　(2)當樣本量n>40，並且4個格子理論數均大於1且至少存在一個格子的理論數<5時，則用校正檢驗或用Fisher’s精確機率法檢驗;

　　(3)當樣本量n£40或存在任一格子理論數<1，則用精確機率法檢驗;

　　2)配對設計的四格表資料的分析

　　(1)b+c≥40，則用McNemar配對檢驗;

　　(2)b+c<40，則用二項分佈確切機率法檢驗;

　　3. 2×C表或R×2表資料的統計分析

　　1)列變數為效應指標，並且為有序多分類變數，行變數為分組變數，則可以採用行平均得分差(Row Mean Scores Differ)的CMH 或成組的Wilcoxon秩和檢驗;

　　2)列變數為效應指標並且為二分類，行變數為有序多分類變數，則可採用普通的Pearson 檢驗比較各組之間有無差別，如果總的'來說有差別，還可進一步作兩兩比較，以說明是否任意兩組之間的差別都有統計學意義。

　　3)行變數和列變數均為無序分類變數：

　　(1)當樣本量n>40，並且理論數小於5的格子數少於行列表中格子總數的25%，則用Pearson 檢驗;

　　(2)當樣本量n£40，或理論數小於5的格子數多於行列表中格子總數的25%，則用Fisher’s確切機率法檢驗;

　　4. R×C表資料的統計分析

　　1)完全隨機設計的R×C表資料的統計分析

　　(1)列變數為效應指標，並且為有序多分類變數，行變數為分組變數，則CMH 或Kruskal Wallis的秩和檢驗;

　　(2)列變數為效應指標，並且為無序多分類變數，行變數為有序多分類變數，則採用普通的Pearson 檢驗比較各組之間有無差別，如果總的來說有差別，還可進一步作兩兩比較，以說明是否任意兩組之間的差別都有統計學意義;

　　(3)列變數和行變數均為有序多分類變數，可以作Spearman相關分析或者非零相關(none zero correlation)的CMH ;

通常在迴歸分析時，如果是二分類變數可以直接當做連續性變數進行迴歸，而多分類時，則需要設定啞變數，即將每個類別轉換成0,1的編碼來表示，因此這裡我們求相關係數時，也可以採用類似的設定啞變數，只不過是有幾個類別就設定幾個啞變數，這也相當於將多分類變數變成了多個0、1編碼的二分類變數，然後再直接使用相關分析，選擇所有的啞變數和連續性因變數進行普通的pearson相關，就可以得出每個分類與因變數的相關係數了。