t统计量和z统计量.docxVIP

t统计量是在总体方差未知的情况下，求均值的某一置信水平的置信区间，t变量就要用t分布 z变量就是标准正态分布，是在总体方差已知的情况下，求均值的某一置信水平的置信区间。 T统计量适用于总体方差未知，且是小样本情况下，用样本方差代替总体方差。 Z统计量使用于总体方差已知且为正态分布或者总体不是正态分布但为大样本时可以近似看做是正态分布。 偏态分布又可分为正偏态分布和负偏态分布两种类型： 如果频数分布的高峰向左偏移，长尾向右侧延伸称为正偏态分布，也称右偏态分布；同样的，如果频数分布的高峰向右偏移，长尾向左延伸则成为负偏态分布，也称左偏态分布。 频数分布有正态分布和偏态分布之分。正态分布是指多数频数集中在中央位置，两端的频数分布大致对称。 偏态分布是指频数分布不对称，集中位置偏向一侧。若集中位置偏向数值小的一侧，称为正偏态分布；集中位置偏向数值大的一侧，称为负偏态分布。 单样本K-S检验正态分布的结果，只要看sig值就可以了，当sig值大于0.05，说明你要检验的数据分布和正态分布没有显著差异，即你的数据属于正态分布。那个人误解了原假设和研究假设，在统计中，原假设H0一般是：变量与某某不存在显著差异或没有显著关系，而研究假设H1则是：变量与某某存在显著差异或有显著关系（而这里的原假设就是数据的分布和正态分布没有显著差异）。当sig大于0.05，则接受原假设，小于0.05，则拒绝原假设，这在统计中是永远成立的。 在SPSS软件统计结果中，不管是回归分析还是其它分析，都会看到“SIG”，SIG=significance，意为“显著性”，后面的值就是统计出的P值，如果P值0.01P0.05,则为差异显著，如果P0.01,则差异极显著。 F值是方差检验量，是整个模型的整体检验，看你拟合的方程有没有意义 t值是对每一个自变量（logistic回归）的逐个检验，看它的beta值β即回归系数有没有意义 T的数值表示的是对回归参数的显著性检验值，它的绝对值大于等于ta/2(n-k)（这个值表示的是根据你的置信水平，自由度得出的数值）时，就拒绝原假设，即认为在其他解释变量不变的情况下，解释变量X对被解释变量Y的影响是显著的。 F的值是回归方程的显著性检验，表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断。若FFa(k-1,n-k),则拒绝原假设，即认为列入模型的各个解释变量联合起来对被解释变量有显著影响，反之，则无显著影响。