T检验、F检验和统计学意义(P值或sig值)-想了解显著性差异的也可以来看.pdfVIP

T 检验、F 检验和统计学意义(P 值或sig值)-想了解显著性差异 的也可以来 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。 4. 你做的是 T 检验，为什么会有 F 值呢? 就是因为要评估两个总体的方差 (Variances)是否相等，要做 Levenes Test fo Equality of Variances ，要检验方差，故所以就有 F 值。 另一种解释： t 检验有单样本 t 检验，配对 t 检验和两样本 t 检验。 单样本 t 检验：是用样本均数代表的未知总体均数和已知总体均数进行比较， 来观察此组样本与总体的差异性。 配对 t 检验：是采用配对设计方法观察以下几种情形，1，两个同质受试对象分 别接受两种不同的处理；2,同一受试对象接受两种不同的处理；3，同一受试对 象处理前后。 F 检验又叫方差齐性检验。在两样本 t 检验中要用到 F 检验。 从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断 两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用 t 检验，若 不等，可采用 t检验或变量变换或秩和检验等方法。 其中要判断两总体方差是否相等，就可以用 F 检验。 若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测 结果，应用 t 检验的前提条件就是该组资料必须服从正态分布；若是配对设计， 每对数据的差值必须服从正态分布；若是成组设计，个体之间相互独立，两组 资料均取自正态分布的总体，并满足方差齐性。之所以需要这些前提条件，是 因为必须在这样的前提下所计算出的 t 统计量才服从 t 分布，而 t 检验正是以 t 分布作为其理论依据的检验方法。 简单来说就是实用 T 检验是有条件的，其中之一就是要符合方差齐次 性，这点需要 F 检验来验证。 如何判定结果具有真实的显著性 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断 性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中， 最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数 之间的两两比较，依赖于总体数据集里结论一致的支持