三种T检验（独立样本、单样本、配对）的区分

（一）三种T检验（独立样本、单样本、配对）的区分
操作步骤：“分析”菜单“均值”单样本T检验、独立样本T检验、配对样本T检验

T检验是通过比较不同数据的均值，研究两组数据之间是否存在显著差异。不同的T检验分析方法适用于不同的分析场景，具体的分类如下：
 
无论是单样本T检验、独立样本T检验还是配对样本T检验，都有几个基本前提：
1. 样本数据服从正态或近似正态分布。
独立T检验（也称T检验），要求因变量（y）需要符合正态分布性，如果不满足，此时可考虑使用非参数检验，具体来讲应该是MannWhitney检验进行研究。
单样本T检验，其默认前提条件是数据需要符合正态分布性，如果不满足，此时可考虑使用单样本Wilcoxon检验进行研究。
配对样本T检验，其默认前提条件是差值数据需要符合正态分布性，如果不满足，此时可考虑使用单样本Wilcoxon检验进行研究。其实配对样本T检验与单样本T检验的原理是一模一样，无非是进行了一次数据相减（即差值）处理而已，因而其和单样本T检验保持一致。
2.T检验属于参数检验，用于检验定量数据（数字有比较意义的），若数据均为定类数据则应使用卡方检验

（二）单样本t检验案例应用一
单样本T检验用于比较样本数据与一个特定数值之间是否的差异情况。

例如，某公司使用五级李克量表问卷进行员工满意度调查，‘4分’代表满意，通过单样本t检验分析员工总体满意程度与“满意”（4）之间是否存在显著差异。

分析步骤：

1、上传数据到SPSSAU
2、点击【通用方法】→【单样本T检验】，拖拽分析项到右侧分析框。
3、在填写框内输入对比数字。
4、点击“开始单样本T检验分析”，即可得到分析结果。
 
首先判断p值是否呈现出显著性，由上表可知，P<0.01，说明统计结果有显著意义。具体差异根据平均值进行对比，员工总体满意度平均得分为3.688，在量表中代表“一般”程度，与代表“满意”的得分4之间存在统计学差异。因此认为总体员工满意度处于一般水平。

（三）单样本t检验案例应用二
单样本T检验，我们要做的其实主要就是求数据的置信区间以及数据是否有显著性差异，而我们生物医学上面基本都是要求95%的置信区间的，当然有一些特殊情况下面，这个区间也是会变的，首先，我们先导入数据样本，小编会以“身高”为例，求取身高的这个区间以及确定它是否有显著性差异。
 
导入数据样本之后，执行“分析-比较均值-单样本T检验（s）”，这个时候我们会看见一个弹出窗口，我们讲“升高（SG）”作为变量，进行设定，同时点击“选项”将置信百分比设置为95%，点击继续-确定。
 
确定之后，系统会分析出结果，我们会发现升高p（sig）<0.05,这个就说明这组数据不是正态分布，是存在显著性差异的，而这组数据的置信区间就是（141，144）【就是（下限，上限），如图】
 

（四）独立样本T检验（T检验）-案例应用一

独立样本T检验用于分析定类数据（X）与定量数据（Y）之间的差异情况。

独立样本T检验除了需要服从正态分布、还要求两组样本的总体方差相等。当数据不服从正态分布或方差不齐时，则考虑使用非参数检验。

比较男生与女生的专业和职业任职得分的均值是否存在显著差异，可采用独立样本T检验进行分析。

分析步骤：

1. 选择【通用方法】→【T检验】，拖拽分析项到右侧分析框。
2.“性别”放入【X（定类）】框中
3.“职业认知”放入【Y（定量）】框中
4. 点击“开始T检验分析”，即可得到分析结果。

从上表可以看出：不同性别样本对于职业认知呈现出显著性(P<0.05)，意味着不同性别样本对于职业认知均有着差异性。

具体分析可知：性别对于职业认知呈现出0.01水平显著性(t=-37.42，P=0.00)，以及具体对比差异可知， 男的平均值(8.91)，会明显低于女的平均值(16.25)。

总结可知：不同性别样本对于职业认知有显著性差异。

其他说明：
1. 独立样本T检验仅用于分析两组数据，比如性别，高分组低分组，实验组对照组等。如超过两组比较则使用方差分析
2. 独立样本T检验用于分析定类数据（X）与定量数据（Y）之间的差异情况。如果X、Y均为定类数据，则使用卡方分析
3. 在进行分析前，首先确保数据格式正确，分析要求将进行对比的两组数据放在同一列中，同时有一列用来表示数据的组别，正确格式如下：
 

（五）独立样本T检验（T检验）-案例应用二
独立样本T检验可以说是需要的要求比较多的，首先我们的数据是得服从正态分布的，首先，导入样本数据，我们可以看到样本中的两组数据“性别和工资”
 
但是我们会发现，性别是数字标记的，很多人可能会对其不习惯，我们可以设置转换一下，首先点击“性别”进入“变量视图”，我们点击“值”将“1设置为男”“2设置为女”【这个性别都是有具体数据的不能乱设定哦】，设置好之后确定，点击转换，数字就变成男女文字了【转换按钮在图片上面有标记】
 

基础数据处理好之后，执行“分析-比较均值-独立样本T检验（T）”,弹出窗口，将”工资“设定为检验变量，”性别“设为分组变量，同时点击定义组，设置组1，组2【组1就是男的数据组，组2就是女的数据组】，点击继续-确定。
 
确定之后，我们就得出数据，而我们的独立样本必须服从方差齐性，如果方差不齐性，那么就得用T"检验，所以，我们开始分析这组数据，第二个表上面P(sig)<0.05,说明他的方差不相等，这个就说明我们得选用T"检验，所以，我们得选第二行的数据值。
 
当然啦，如果第二个表上面P(sig)>0.05,说明他的方差相等，这个就说明我们得选用T检验，那么，我们就得选着第二个表的第一行的数据值。

（六）配对样本T检验（T检验）-案例应用一
配对样本T检验用于分析配对定量数据之间的差异对比关系。与独立样本t检验相比，配对样本T检验要求样本是配对的。两个样本的样本量要相同；样本先后的顺序是一一对应的。

例如，比较在两种背景情况下(有广告和无广告)；样本的购买意愿是否有着明显的差异性。通过两组数据的对比分析，判断背景音乐是否会影响消费行为。

分析步骤：

1、上传数据至SPSSAU
2、选择【通用方法】→【配对T检验】，将分析项分别拖拽到右侧分析框。
3、点击“开始配对T检验分析”，即可得到分析结果。
 

从上表可以看出：配对数据，没有呈现出差异性(P>0.05)。因而说明背景音乐对于消费行为的显著影响。

*如果呈现出显著性；具体对比平均值(或差值)大小，描述具体差异所在。

其他说明：
配对样本T检验要求两组样本量相等，而独立样本T检验对样本量没有要求。
配对样本T检验的数据格式与上文提到的独立样本T检验不同，两组配对数据需要分别成一列，具体参考下图：
 

（七）配对样本T检验（T检验）-案例应用二
这个数据我们一般都是比较同组数据前后的数据差异，当然还有其他情况，但是总是这两组样本都不是相互独立的，而且是必须服从正态分布的，这样才能进行分析，首先，我们先导入样本数据【例子不是前后对照】。
 
导入数据之后，我们执行“分析-比较均值-配对样本T检验（P）”,这个时候弹出一个窗口，我们讲前后样本分布移动至如图的位置，同时点击“选项”选着95%的置信百分比。点击继续-确定。

确定之后，系统分析数据，第一个表的p（sig）>0.05,说明两组直接无相关关系，而第二个表间p<0.05，说明其两组数据之间有显著性差异。【具体分析都得以得出的数据为参考哦】

 
（八）（自变量）方差分析（单因素，又称F检验）案例应用
单因素方差分析（one-way ANOVA）是通过对数据变异的分析来推断两个或多个样本均数所代表的总体均数是否有差别的一种统计推断方法。简单的来说，就是用来检验同一个影响因素的不同水平对因量是否有影响的一种方法。
操作方法：“分析”“比较均值”“单因素”

我们以“不同大豆含量的饲料对小鼠体重的影响”为例给大家讲解如何操作，首先录入数据，我们将使用含有10%大豆的饲料的组赋值为“1”；将含量40%大豆的饲料的组赋值为“2”；将含量80%大豆的饲料的组赋值为“3”；
 

在弹出的“单因素方差分析”选项卡中，将“体重”选入到应变量列表中，将“饲料类型”选入到因子中；
 

然后再点击右边的“选项”，在弹出的选项卡中选择“描述性”和“方差同质性检验”，然后点击“继续”，然后点击“单因素方差分析”选项卡中的“确定”；

在结果中，我们首先要看的就是方差齐性检验，在“单因素同质性测试”表中我们可以看到P=0.244>0.05,说明方差是齐的，可以使用单因素方差分析法，如果不齐，说明我们后面的结果没有意义，因为方差不齐不能使用但因素方差分析法。
 
在“单因素分析”表格中我们可以看到，P=0.000＜0.05，说明这三个组间至少有两个组之间是存在显著性差异的，即不同大豆含量的饲料对小鼠的体重有影响。（注：这里我们并不能看出究竟有怎样的差异，还需要看下一个表格）
 
在“事后测试”的表格中我们可以看到，10%和40%两组间无显著性差异，10%和80%两组间、80%和40%两组间有显著性差异。

*若需了解更多与协助请咨询↓→[电脑QQ][手机QQ]【数据协助】