T检验、F检验及统计学意义.pdfVIP

1.T检验和F检验的由来 一般而言，为了确定从样本(sample)统计结果推论至总体时所犯错的概 率，我们会利用统计学家所开发的一些统计方法，进行统计检定。 通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分 布(probability distribution)进行比较，我们可以知道在多少%的机会下 会得到目前的结果。倘若经比较后发现，出现这结果的机率很少，亦即 是说，是在机会很少、很罕有的情况下才出现；那我们便可以有信心的 说，这不是巧合，是具有统计学上的意义的(用统计学的话讲，就是能 够拒绝虚无假设null hypothesis,Ho)。相反，若比较后发现，出现的机 率很高，并不罕见；那我们便不能很有信心的直指这不是巧合，也许是 巧合，也许不是，但我们没能确定。 F值和t值就是这些统计检定值，与它们相对应的概率分布，就是F分布 和t分布。统计显著性 （sig ）就是出现目前样本这结果的机率。 2. 统计学意义 （P值或sig值） 结果的统计学意义是结果真实程度 （能够代表总体）的一种估计方法。 专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认 为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结 果认为有效即具有总体代表性的犯错概率。如p 0.05提示样本中变量 关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无 关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研 究的变量关联将等于或强于我们的实验结果。 （这并不是说如果变量间 存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存 在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在 许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。 3. T检验和F检验 至於具体要检定的内容，须看你是在做哪一个统计程序。 举一个例子，比如，你要检验两独立样本均数差异是否能推论至总体， 而行的t检验。 两样本(如某班男生和女生)某变量(如身高)的均数并不相同，但这差别 是否能推论至总体，代表总体的情况也是存在著差异呢？ 会不会总体中男女生根本没有差别，只不过是你那麼巧抽到这2样本的 数值不同？ 为此，我们进行t检定，算出一个t检定值。 与统计学家建立的以 「总体中没差别」作基础的随机变量t分布进行比 较，看看在多少%的机会(亦即显著性sig值)下会得到目前的结果。 若显著性sig值很少，比如0.05(少於5%机率)，亦即是说， 「如果」总 体 「真的」没有差别，那麼就只有在机会很少(5%)、很罕有的情况 下，才会出现目前这样本的情况。虽然还是有5%机会出错(1- 0.05 5%)，但我们还是可以 「比较有信心」的说：目前样本中这情况 (男女生出现差异的情况)不是巧合，是具统计学意义的， 「总体中男女 生不存差异」的虚无假设应予拒绝，简言之，总体应该存在著差异。 每一种统计方法的检定的内容都不相同，同样是t-检定，可能是上述的 检定总体中是否存在差异，也同能是检定总体中的单一值是否等於0或 者等於某一个数值。 至於F-检定，方差分析(或译变异数分析，Analysis of Variance)，它的 原理大致也是上面说的，但它是透过检视变量的方差而进行的。它主要 用于：均数差别的显著性检验、分离各有关因素并估计其对总变异的作 用、分析因素间的交互作用、方差齐性(Equality of Variances)检验等情 况。 4. T检验和F检验的关系 t检验过程，是对两样本均数(mean)差别的显著性进行检验。惟t检验须 知道两个总体的方差(Variances)是否相等；t检验值的计算会因方差是 否相等而有所不同。也就是说，t检验须视乎方差齐性(Equality of Variances)结果。所以，SPSS在进行t-test for Equality of Means的同 时，也要做Levenes Test for Equality of Variances 。 4.1 在Levenes Test for Equality of Variances一栏中 F值为2.36, Sig. 为.128，表示方差齐性检验 「没有显著差异」，即两方差齐(Equal Variances)，故下面t检验的结果表中要看第一排的数据，亦即方差齐的 情况下的t检验的结果。 4.2. 在t-test for Equality of Means中，第一排(Variances Equal)的情况： t 8