统计学T检验的意义.docxVIP

统计学 T 检验的意义（P 值或 sig 值） 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。 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。 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。 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=8.892, df=84, 2-Tail Sig=.000, Mean Difference=22.99 既然 Sig=.000，