一、基本统计内容-课件.pptVIP

一、基本统计内容 单个总体均值的 t 检验（One-Sample T Test）； 两个独立总体样本均值的 t 检验（Independent-Sample T Test）； 两个有联系总体均值均值的 t 检验（Paired-Sample T Test）； 单因素方差分析（One-Way ANOVA）； 双因素方差分析（General Linear Model?Univariate）。 二、假设条件 研究的数据服从正态分布或近似地服从正态分布。 在Analyze菜单中，均值比较检验可以从菜单Compare Means，和General Linear Model得出。如图所示。 三、单个总体的 t 检验分析 单个总体的 t 检验（One-Sample T Test）分析，也称为单一样本的 t 检验分析，也就是检验单个变量的均值是否与假定的均数之间存在差异。如将单个变量的样本均值与假定的常数相比较，通过检验得出预先的假设是否正确的结论。 1、过程 例：根据2002年我国不同行业的工资水平，检验国有企业的职工平均年工资收入是否等于10000元，假设数据近似地服从正态分布。 建立假设： H0：国有企业工资为10000元； H1：国有企业职工工资不等于10000元 检验过程的操作按照下列步骤： 1、单击Analyze ?Compare Means ?One-Sample T Test，打开One-Sample T Test 主对话框； 2、从左边框中选中需要检验的变量（国有单位）进入检验框中。 3、在Test Value框中键入原假设的均值数10000。 2、One-Sample Statistics 数据的基本统计描述t检验的检验结果 3、One-Sample Test 四、两个独立样本的t检验 Independent-sample T Test是检验两个没有联系的总体样本均值间是否存在显著的差异。两个没有联系的总体样本也称独立样本。 如两个无联系的企业生产的同样产品之间的某项指标的均值的比较，不同地区的儿童身高、体重的比较等，都可以通过抽取样本检验两个总体的均值是否存在显著的差异。 1、过程 例：某医药研究所考察一种药品对男性和女性的治疗效果是否有显著差异，调查了10名男性服用者及7名女性服用者，对他们服药后的各项指标进行综合评分，服用的效果越好，分值就越高，每人所得的总分见下表， 试根据表中的数据检验这种药品对男性和女性的治疗效果是否存在显著差异。 由于药品对男性或女性的影响是无联系的，因此这两个样本是相互独立的。可以应用两独立样本的假设检验。 建立假设检验 H0：该药品对男性和女性的治疗效果没有显著差异； H1：该药品对男性和女性的治疗效果有显著差异。 3、然后单击Define Group按纽，打开分组对话框如图所示，确定分组值后返回主对话框，如果没有分组，可以选择Cut point单选项，并在激活的框内输入一个值作为分组界限值。 2、Group Statistics 分组统计描述表（a） 3、独立样本的均值比较检验表（b） 检验表基本统计表（a）、检验表（b）第三列和第四列是检验两样本数据的方差是否相等，从检验结果得知两样本的方差没有显著差异。 从第五列开始是对两个样本的均值的是否相等进行检验。从假设检验的P值看出，它大于显著性水平0.05，所以说男女之间的机械能力之间并无显著差异，因此接受原假设H0。 而第八列之后分别是均值差、均值差标准误、均值差的置信区间。 练习 五、配对样本的t检验 Paired-Sample T Test是检验两个有联系正态总体的均值是否存在显著的差异。又称配对样本的 t 检验。 经常用于生物、医药、农业、工业等多个行业。 如检验某种药品使用的效果是否显著，需要对使用者使用前后进行比较； 再如对某种粮食进行品种改良，也需要比较改良前后粮食产量有无显著差异等。 如果分组样本彼此不独立，例如测度的是工人在技术培训前后某项技能的成绩要求比较培训前后均值是否有显著性差异应该使用配对T 检验的功能(Paired Simple T test)。 如果分组不止两个，使用One Way ANOVA 一元方差分析过程进行单变量方差分析。 如果比较的变量明显不是正态分布，则使用一种非参数检验过程(Nonparametric test) 。 如果用户想比较的变量是分类变量应该使用Crosstabs 功能。 1、过程 例：某企业对生产线上的工人进行某种专业技术培训，要对培训效果进行检验，从参加培训的工人中抽取30人，将他们培训前后的数据每加工500个零件的不合格品数进行对比，得到数据表，见表3。试根据表中数据检验培训前后工人的平均操作技术水平是否有显著提高，也就是检验培训效果是否显著。 工人培训前后不合格品