第7章 SPSS卡方检验与顾客忠诚度分析什么是客户忠诚？从广义上讲，我们可以这样来理解客户的忠诚：客户长期锁定于你的公司，使用你的产品，并且在下一次购买类似产品时还会选择此公司。客户忠诚只是一个定性的指标，一旦人们希望看到或要得到本公司的客户忠诚指标时候，就出现了客户忠诚度的概念，客户忠诚度就是用来衡量客户忠诚的一个数量指标。
客户忠诚度意味着客户不断地回来找你，来购买你的产品或服务，即便你没有最好的产品、最低的价格或最快的交付手段。你如何来解释这种看上去不合情理的客户行为？很简单：良好的关系。良好的关系建立在一段时间内的同客户发生的所有交互行为之上，它带来了价值和明显的企业收益。客户获得的全部价值不仅包括了他们获得的产品或服务，也获得该产品或服务的方式。那些能将两方面都做得很好的企业常常是其专业领域的佼佼者，他们获得更多的市场份额和利润。
7.1 卡方检验概述
2
检验是利用随机样本的分布与某种特定分布拟合程度的检验，也就是检验观察频数与理论频数之间的紧密程度，常用于离散变量的分布检验。卡方检验最常间的用途就是考察无序分类变量各水平在两组或多组之间的分布是否一致。实际上，除了这个用途之外，卡方检验还有更广泛的应用。具体而言，其用途主要包括以下几个方面。
1）检验某个连续变量的分布是否与某种理论分布相一致。如是否符合正态分布、是否服从均匀分布、是否服从Poisson分布等。
2）检验某个分类变量出现的概率是否等于指定概率。如在36选7的彩票抽奖中，每个数字出现的概率是否各为1/36；掷硬币时，正反两面出现的概率是否均为0.5。
3）检验某两个分类变量是否相互独立。如性别（二分类变量：男、女）是否有使用差异（二分类变量：是、否）有关；产品原料种类（多分类变量）是否与产品合格（二分类变量）有关。
4）检验控制某种或某几种分类因素的作用以后，另两个分类变量是否相互
独立。如在上例中，控制性别、年龄因素影响以后，吸烟是否和呼吸道疾病有关；控制产品加工工艺的影响后，产品原料类别是否与产品合格有关。
5）检验某两种方法的结果是否一致。如采用两种诊断方法对同一批人进行诊断，其诊断结果是否一致；采用两种方法对客户进行价值类别预测，预测结果是否一致。
7.2 卡方检验（2χ检验）
通过本次实验我们可以理解2χ检验并知道2χ检验在市场营销中的适用范围，了解顾客的忠诚度分析，掌握2χ检验的方法和步骤，并能够在SPSS中实现实验内容的数据分析，并给出较为合理的解释。
2
χ检验是以2χ分布为基础的一种常用假设检验方法，主要用于分类变量，根据样本数据推断总体的分布与期望分布是否有显著差异，或推断两个分类变量是否相互关联或相互独立。它的原假设是：
H0：观察频数与期望频数没有差别
2
χ检验的基本思想是：首先假设H0成立，基于此前提计算中2χ值，它表示观察值与理论值之间的偏离程度。根据2χ分布，2χ统计量，以及自由度可以确定H0假设成立的情况下获得当前统计量及更极端情况的概率P。如果P值很小，说明观察值与理论值偏离程度太大，应当拒绝原假设，表示比较资料之间有显著差异；否则就不拒绝原假设，尚不能认为样本代表的实际情况和理论假设有差别。
7.2.1案例一问题
有些现象表明女性比男性更容易跟换用品品牌，即认为男性对品牌的忠诚度不同于女性。但是也有些人认为男性与女性对品牌的忠诚度是一样的。哪种说法才是正确的呢？
这一问题可以看成是比较两个性别组的忠诚度是否相同，也可以看成是两个分类变量的独立性检验，相应的检验假设为：
H0：性别与忠诚度独立，或男性与女性的忠诚度没有差别
H1：性别与忠诚度不独立，或男性与女性的忠诚度有差别
7.2.2案例一操作
打开SPSS 20.0，在其窗口中选择菜单【文件】→【打开】→【数据】，打开（文件名称：Book\第七章\loyal.sav）数据表。文件包括性别（定类尺度）及结果（定类尺度）。
选择【分析】→【描述统计】→【交叉表】弹出交叉表检验对话框，将变量“gender”选入行列表，将“result”选入列列表，如图7—1所示。
图7-1 “交叉表检验”对话框
单击精确按钮，弹出精确检验子对话框，如图7-2所示。精确检验对话框提供的是一些只有在非参数检验中才会用到的选项，用于选择计算非参数检验统计量对应的 值方法。这里选择默认的仅渐进法。
图7-2 “交叉表：精确检验”子对话框
仅渐进法：适用于较大样本或样本服从渐进分布；
Monte Carlo（M）：适用于数据不满足渐进分布；
精确计算法：计算量较大，适用于小样本；
单击“继续”返回到主对话框，单击“统计量”按钮，弹出“统计量”子对话框，选择进行交叉表分析的方法，如图7-3所示。
图7-3 “交叉表：统计量”子对话框
单击“继续”按钮返回到交叉表主对话框，单击“确定”按钮执行操作，得到输出结果。
7.2.3案例一结果分析
SPSS输出结果见表7-1至表7-2。表7-1分别给出了变量男性、女性各取值的观察频数。
表7-2即为2χ检验结果表。在第一行，它依次给出了Pearson 卡方统计量，自由度以及统计量相应的近似概率（即近似P值）。本例中，2χ=6.133，精确双边检验的P值为0.018小于0.05的显著性水平，拒绝原假设，接受备择假设，即就此数据来说，可以非常大的把握说性别与忠诚度不独立，男性更容易更换品牌，对产品的忠诚度低于女性。
7.2.4案例二问题
本次实验采用的是男女消费者使用程度上的差异的数据，分析男女顾客对本产品的忠诚度分析。所建立的原假设是：男性与女性消费者在使用程度上无显著差异。其中，“性别”变量的1代表男性，2代表女性。“使用类别”变量的1、2、3分别代表轻度使用、中度使用、重度使用。
7.2.5案例二操作
打开SPSS 20.0，在其窗口中选择菜单【文件】→【打开】→【数据】，打开（文件名称：Book\第七章\Chi Square.sav）数据表。文件包括性别（定类尺度）及使用类别（定类尺度）。
选择【分析】→【描述统计】→【交叉表】弹出交叉表检验对话框，将变量“性别”选入行列表，将变量“使用类别”选入列列表，如图7—4所示。
图7-4“交叉表”对话框
其他选项同上例题操作，单击“继续”按钮返回到交叉表主对话框，单击“确定”按钮执行操作，得到输出结果。
7.2.6案例二结果分析
SPSS输出结果见表7-3至表7-4。表7-3分别给出了变量男性、女性各取值的实际观察频数。
表7-3性别频数表
使用类别合计
轻度使用中度使用重度使用
男性10 17 7 34
性别
女性10 12 9 31
合计20 29 16 65
表7-4 卡方检验
值df 渐进 Sig. (双
侧)
Pearson 卡方.976a 2 .614
似然比.979 2 .613
线性和线性组合.091 1 .763
有效案例中的 N 65
a. 0 单元格(0.0%) 的期望计数少于 5。最小期望计数为
7.63。
表7-4即为2 检验结果表。在第一行，它依次给出了Pearson 卡方统计量，自由度以及统计量相应的近似概率（即近似P值）。本例中，渐进双边检验的P 值为0.614远大于0.05的显著性水平，接受原假设，即就此数据来说，可以非常大的把握说性别与忠诚度独立，男性与女性消费者在使用程度上无差异，即认为男性与女性消费者的忠诚度无显著差异。
7.2.7 求取卡方检验的另一例题
客户忠诚度是企业品牌的重要反映，对企业意义重大。通过SPSS软件对市场调查数据进行卡方检验可以帮助营销人员做出正确的营销决策，了解顾客的忠诚度，以满足客户的需求和期望为目标，有效地消除和预防客户的抱怨和投诉、不断提高客户满意度，促使客户的忠诚，在企业与客户之间建立起一种相互信任、相互依赖的“质量价值链”。为了进一步说明SPSS中卡方检验在分析顾客忠诚度时的应用，我们再给出一例。
7.2.8案例三问题
本次实验采用的是男、女顾客消费额的数据，所建立的原假设是：男性与女性顾客在消费额上无显著差异。其中，“性别”变量的0代表男性，1代表女性。
7.2.9案例三操作
打开SPSS 20.0，在其窗口中选择菜单【文件】→【打开】→【数据】，打开（文件名称：Book\第七章\顾客.sav）数据表。文件包括编号（定序数据）、性别（定类尺度）及消费额（定距尺度）。
选择【分析】→【非参数检验】→【旧对话框】→【卡方】弹出卡方检验对话框，将变量“性别”和“消费额”选入检验变量列表（T），如图7—5所示。
图7-5“卡方检验”对话框
期望全距：选择参与检验的变量取值范围。这里选中默认的从数据中获取按钮，即所有变量取值都参与检验。
期望值：设置变量各取值的理论概率。其中，选项所有类别相等表示变量取各个取值的概率相等，即变量服从均匀分布；值选项允许用户自己设置变量取值的理论概率。这里选择默认选项。
单击精确按钮，弹出精确检验子对话框，如图7-6所示。精确检验对话框提供的是一些只有在非参数检验中才会用到的选项，用于选择计算非参数检验统计量对应的 值方法。这里选择默认的仅渐进法。
图7-6 “精确检验”子对话框
仅渐进法：适用于较大样本或样本服从渐进分布；
Monte Carlo（M）：适用于数据不满足渐进分布；
精确计算法：计算量较大，适用于小样本；
单击“继续”返回到主对话框，单击“选项”按钮，弹出“选项”子对话框，如图7-7所示，用于设置输出的描述性统计量以及缺失值的处理方式。
图7-7“卡方检验：选项”子对话框
统计量选项栏：描述性选项表示输出变量的均值、标准差、最大值、最小值等统计量；四分位数则表示输出四分位数；
缺失值选项栏：按检验排除个案选项表示仅将参与检验的变量中有缺失值的观测排除；按列表排除个案表示全部变量中只要有一个变量存在缺失值，则该观测变量将被排除。
这里选择描述性多选按钮，单击“继续”，“确定”执行操作，得到输出结果。
7.2.10案例三结果分析
SPSS输出结果见表7-5至表7-7。表7-5、7-6分别给出了性别变量以及消费额变量的各取值的实际观察频数、理论频数以及两者之差。
表7-5 性别频数表
观察数期望数残差
男性68 45.0 23.0
女性22 45.0 -23.0
总数90
表7-6 销费额统计表
观察数期望数残差观察数期望数残差
43 1 1.8 -0.8 107 1 1.8 -0.8
46 1 1.8 -0.8 108 1 1.8 -0.8
50 1 1.8 -0.8 109 1 1.8 -0.8
56 2 1.8 0.2 110 1 1.8 -0.8
58 1 1.8 -0.8 112 2 1.8 0.2
60 1 1.8 -0.8 115 1 1.8 -0.8
63 3 1.8 1.2 117 1 1.8 -0.8
65 1 1.8 -0.8 119 1 1.8 -0.8
66 4 1.8 2.2 124 1 1.8 -0.8
68 2 1.8 0.2 126 2 1.8 0.2
70 2 1.8 0.2 133 1 1.8 -0.8
73 1 1.8 -0.8 140 2 1.8 0.2
75 1 1.8 -0.8 142 2 1.8 0.2
77 3 1.8 1.2 143 1 1.8 -0.8
79 1 1.8 -0.8 153 2 1.8 0.2
81 1 1.8 -0.8 161 1 1.8 -0.8
84 2 1.8 0.2 164 1 1.8 -0.8
86 3 1.8 1.2 165 1 1.8 -0.8
87 1 1.8 -0.8 170 1 1.8 -0.8
89 1 1.8 -0.8 177 1 1.8 -0.8
91 2 1.8 0.2 178 1 1.8 -0.8
94 1 1.8 -0.8 181 1 1.8 -0.8
96 1 1.8 -0.8 191 1 1.8 -0.8
98 2 1.8 0.2 200 20 1.8 18.2
101 1 1.8 -0.8 总数90
105 2 1.8 0.2
表7-7分别给出了
2
统计量、自由度以及统计量对应的P值。P=0.000<0.05，
达到显著性水平，因此应拒绝原假设，应认为：男性与女性顾客在消费额上有显著差异，即顾客的忠诚度与性别是有关的。
客户忠诚度是企业品牌的重要反映，对企业意义重大。通过SPSS软件对市场调查数据进行卡方检验可以帮助营销人员做出正确的营销决策，了解顾客的忠诚度，以满足客户的需求和期望为目标，有效地消除和预防客户的抱怨和投诉、不断提高客户满意度，促使客户的忠诚，在企业与客户之间建立起一种相互信任、相互依赖的“质量价值链”。
一、被调查学生对“云窗的打分值”总体平均值的推断： 1、以71个被调查学生为样本做T 检验 由表a 可知，71个观测的平均值为71.21，标准差为15，120，均值标准误为1.794。 表b 中，第二列是t 统计量的观测值为0.675，第三列是自由度n-1=70，第四列是t 统计量观测值的双尾概率p 值，第五列是样本均值与检验值的差（1.211），即t 统计量的分子部分，他除以表a 的均值标准误（1.794）后得到t 统计量的观测值0.675，第六列和第七列是总体均值与检验值差的95%的置信区间，为（67.63，74.79）。 对于研究的问题应采用双尾检验，因此比较 2α和2 p ，即比较α和p 。由于p 大于α（0.05），因此不能拒绝零假设，认为被调查学生对“云窗的打分值”总体平均值没有显著差异。有95%的把握认为总体均值在 67.63~74.79 分之间。70分包含在置信区间内，也证实了上述推断。
2、被调查学生对“云窗的打分值”的重抽样自举 表c Bootstrap 指定 采样方法简单箱图 样本数1000 置信区间度95.0% 置信区间类型百分位 由表c可知，自举过程执行1000次，随机数种子指定为默认值2000000，采样方法为简单箱图。 中均值的重抽样自举均值与实际样本均值的差为-0.12，1000个均值的标准差为1.82，由此得到的均值95%的置信区间为（67.18，74.46） 表e中没有给出双尾检验的概率p值，但是从检验的结果可知有95%的把握认为总体均值在 67.184~74.463之间。70包含在置信区间内。用更大的样本量再一次说明了被调查学生对“云窗的打分值”总体平均值没有显著差异。
《统计学》实验分析报告 实验完成者 班级 2013级班 学号 实验时间 2015年6月5日 一、实验名称 假设检验——单个样本T检验 二、实验目的 掌握单样本t检验的基本原理和spss实现方法。 三、实验步骤 1、打开SPSS，选择输入数据； 2、由于已经有建好的数据，因此打开“电子元件抽验”； 3、在分析中选择比较均值，单样本t检验，将阻值添加到检验变量。 4、检验值为0.14，置信区间默认为95%，点击确定。 四、实验结果及分析 附件一：单个样本统计量表，给出了各个样本的均值，标准差和均值的标准误； 附件二：单个样本检验表，给出了各个样本的t值(t)、自由度(df)、P值(Sig.双尾)、均值差值、差值的95%可信区间 1、附件二——单个样本检验表中，第一批元件样本双尾T检验的显著性概率（Sig.(双侧)）, Sig.=0.012<0.05,说明第一批元件的平均电阻与额定电阻值0.140有显著的差异。
2、由附件二同样可以看出，对于第二批和第三批元件，显著性概率分别为0.130与0.265均大于0.05,所以接受原假设，认为这两批元件的电阻与额定值无显著差异，即认为产品合乎质量要求； 3、综上，第一批元件不符合质量要求，第二、三批元件符合质量要求。 五、自评及问题 掌握了单样本t检验的基本原理和spss实现方法，熟悉SPSS软件操作和方法。通过检验得出结论的真否，能够更快更简单的检验数据，对数据的检验让我很快的了解该数据的代表性。 六、成绩 七、指导教师 田劲松 附件一、 单个样本统计量 N 均值 标准差 均值的标准误 第一批元件样本电阻值 15 .14200 .002673
spss单样本t检验Analyze----compare Means----one sample T test 输入方式 实验数据 12 12 1 2 1 2 3 4 5 6 4 9 5 直接输入数据
Sig=0.000 差异显著
独立样本t检验（两组数据） Analyze-----compare Means----Independent-samples T test 输入方式 试验分组实验数据 1 12 1 13 1 12 1 12 1 1 1 1 2 2 2 2 2 2 2 2 2 两组数据个数可以不同
成组数据t检验 Analyze----compare Means-----paired-samples T test
单因素方差分析 Analyze---compare means----one-way ANOV A(analyze of variance)
Factor （因素）1 1 1 1 1 2 2 2 2 2 2 3 3 3 3(分组) Dependent List 试验数据 polynomial lines contrast---polynomial---Degree---linear post Hoc Multiple comparisons-----LSD(Duncan 邓肯检验) 先选方差齐性在结果中判断Sig 值？＜0.05（差异显著）若不齐则进行数据转化。 数据输入 分组试验数据 1 12 1 13 1 13 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 双因素方差分析 Analyze-----General linear Model-----univariate Dependent Variable(因变因素)因别的数字变化而变化 Fixed Factor （固定因素） Random Factors(随机因素) Model-----custom-----Build Term---Interaction(交互作用)----Main effects（主因素） Contrast--- simple---first----change Plot Hoc----LSD (Duncan)
用SPSS19进行单样本T检验(One -Sample T Test) 作者：邀月来源：博客园发布时间：2010-10-14 00:13 阅读：305 次原文链接[收藏] 在《0-1总体分布下的参数假设检验示例一(SPSS实现）》中，我们简要介绍了用SPSS 检验二项分布的参数。今天我们继续看看如何用SPSS进行单样本T检验(One -Sample T Test)。看例子： 例1：已知去年某市小学五年级学生400米的平均成绩是100秒，今年该市抽样测得60个五年级学生的400米成绩（数据见后面文件“CH6参检1小学生400米v提高.sav”），试检验该市五年级学生的400米平均成绩是否应为100秒（有无提高或下降）？ 分析：此检验的假设是： H0:该市五年级学生的400米平均成绩是仍为100秒。 H1:该市五年级学生的400米平均成绩是不为100秒。 打开SPSS,读入数据
从结果中可以判断： 1、p＝0.287>0.05，在5%的显著性水平上，不能拒绝假设H0。 2、95%的置信区间端点一正一负，必然覆盖总体均值。应该接受零假设(假设H0)。 这个结论出乎很多人的意料，因为样本均值明显下降了，105.38500000000003。实际上，那是因为有一个样本值为400秒，从而造成错觉的缘故。 再看一个更有趣的例子。 例1：已知去年某市小学五年级学生400米的平均成绩是100秒，今年该市抽样测得60个五年级学生的400米成绩（数据见后面文件“CH6参检1小学生400米v提高B.sav”），试检验该市五年级学生的400米平均成绩是否应为100秒（有无提高或下降）？ 同上，打开SPSS,读入数据，结果：
例题：对某地区的山地和平原土壤中的磷含量的背景值各取了10个样品，数据如下所示: (单位：10-6)，问山地与平原土壤中磷含量是否有显著性差异。( 25分) 1、本题中自变量个数等于2,且不是来自于同一组样本，故采用独立样本T检验 2、打开spss，在变量视图内定义变量，由题目可知，磷含量为“计量资料”，归类为“度量变量”，地形为计数资料，归类为“名义变量”，并对地形进行赋值，如图输入： 3、在数据视图内如下图输入数据： 4、独立样本T检验进行的假设： (1)数据必须为连续性数据； 2 2 ⑵方差齐性(可偏不齐，即(T 1 / (T 2 <3)； (3)每组数据均服从正态分布 5、进行验证： (1)由题目可以看出，数据为连续型数据，满足； (2)此检验可于结果中查看； (3)首先，新建spss视图，重新输入变量进行探索队列，如下图所示:
将“山地”“平原”选入因变量列表，并于“绘图(T) ”中勾选“带检验的正态图”，操作步骤如下图所示： 根据正态性检验表的“ K-S检验”结果，由于样本内数据数量＜30,故看Shapiro-Wilk 结果, 由于两者的sig均大于，故满足正态分布 *. a. Lilliefors 显著性校正 6、进行独立样本T检验: (1)依次点击“分析”-“比较平均值”-“独立样本T检验”，调出独立样本T检验对话框: ⑵将“磷含量”选入检验变量(T)，将“地形”选入分组变量，然后定义组，于主页面中点 击“确定”，输出结果： 7、结果分析:
根据独立样本检验表的方差方程的Levene检验，F统计量的sig值＜,否认方差相等的假设，认为方差不齐性，故参考第二行的t检验结果； 第二行t检验的双侧sig=＞，即可认为在的显著性水平上，山地与平原土壤中磷含量
SPSS-比较均值-独立样本T检验案例解析 2011-08-26 14:55 在使用SPSS进行单样本T检验时，很多人都会问，如果数据不符合正太分布，那还能够进行T检验吗？而大样本，我们一般会认为它是符合正太分布的，在鈡型图看来，正太分布，基本左右是对称的，一般具备两个参数，数学期望和标准方差，即：N(p, Q) 如果你的样本数非常少，一般需要进行正太分布检验，检验的方法网上很多，我就不说了 下面以“雄性老鼠和雌性老鼠分别注射了某种毒素，经过观察分析，进行随机取样，查看最终老鼠是否活着。 问题：很多人认为，雄性老鼠和雌性老鼠分别注射毒液后，雌性老鼠存活下来的数量会比雄性老鼠多？ 我们将通过进行统计分析来认证这个假设是否成立。 下面进行参数设置：a 代表：雄性老鼠 b代表：雌性老鼠 tim 代表：生存时间，即指经过多长时间后，去查看结果 0 代表：结果死亡 1 代表：结果活着 随机抽取的样本，如下所示：
打开SPSS- 分析---检验均值---独立样本T检验，如下图所示：
将你要分析的变量，移入右边的框内，再将你要进行分组的变量移入“分组变量”框内，“组别group（）里面的两个参数，不能够随意设置，必须要跟样本里面的数字一致 点击确定后，分析结果，如下所示： 从组统计量可以看出，雄性老鼠的存活下来的均值为0.73，但是雌性老鼠存活下来的均值为1.00，很明显，雌性老是存活下来的个数明显比雄性老鼠多，但是一般我们不看这个结果，为什么？因为样本不够大，如果将样本升至10000个？也许这个均值将会发生变化，不具备统计学意义， 我们一般只看独立样本检验的结果。 独立样本检验，提供了两种方法：levene检验和均值T检验两种方法 Levene检验主要用来检验原假设条件是否成立，（即：假设方差相等和方差不相等两种情况）如果SIG>0.05，证明假设成立，不能够拒绝原假设，如果 SIG<0.05，证明假设不成立，拒绝原假设。 进行levene检验结果判断是第一步，从上图，可以看出 sig<0.05 方差相等的假设不成立，所以看第二行，方差不相等的情况 sig=0.082>0.05 即说明 P 值大于显著性水平，不应该拒绝原假设：即指：雌性老鼠和雄性老鼠在注射毒液后，存活下来的个数没有显著的差异
两独立样本T检验-SPSS操作详解 为了解某一新药降血压的效果，将28名高血压患者随机分为实验组和对照组，实验组采用新药，对照组采用常规药，测得治疗前后的血压变化，问新药是否优于常规药？ 编号 1 2 3 4 5 6 7 8 9 10 11 新药前102 100 92 98 118 100 100 92 126 117 109 后90 90 85 90 114 95 86 88 102 92 98 编号 1 2 3 4 5 6 7 8 9 10 11 常规 前98 110 109 94 110 92 95 90 108 90 110 药 后100 103 105 98 109 95 94 88 104 85 110 变量1设置：name-group , decimals-0 , label-分组, value-(1=新药，2=常规药) 变量2设置：name-value , decimals-0 , label-血压下降值 2 输入数据---血压差=用药前血压-用药后血压 3 单击菜单栏analyze/compare means/independent-samples t test 4 将血压下降值调入test variables下矩形框 5 将分组（group）调入grouping variable 下矩形框 6单击define groups…定义分组group1为1 定义group2为2 单击continue 7 options选项默认 8 bootstrap选项默认 9 单击OK 输出结果 10 结果界面 11 结果解释 表1表示两独立样本t检验基本统计量-group statistics 表2表示两独立样本t检验结果，方差方程的levene检验（Levene’s Test for
用SPSS进行单样本T检验(One -Sample T Test) 在《0-1总体分布下的参数假设检验示例一(SPSS实现）》中，我们简要介绍了用SPSS 检验二项分布的参数。今天我们继续看看如何用SPSS进行单样本T检验(One -Sample T Test)。看例子： 例1：已知去年某市小学五年级学生400米的平均成绩是100秒，今年该市抽样测得60个五年级学生的400米成绩（数据见后面文件“CH6参检1小学生400米v提高.sav”），试检验该市五年级学生的400米平均成绩是否应为100秒（有无提高或下降）？ 分析：此检验的假设是： H0:该市五年级学生的400米平均成绩是仍为100秒。 H1:该市五年级学生的400米平均成绩是不为100秒。 打开SPSS,读入数据
从结果中可以判断： 1、p＝0.287>0.05，在5%的显著性水平上，不能拒绝假设H0。 2、95%的置信区间端点一正一负，必然覆盖总体均值。应该接受零假设(假设H0)。 这个结论出乎很多人的意料，因为样本均值明显下降了，105.38500000000003。实际上，那是因为有一个样本值为400秒，从而造成错觉的缘故。 再看一个更有趣的例子。 例1：已知去年某市小学五年级学生400米的平均成绩是100秒，今年该市抽样测得60个五年级学生的400米成绩（数据见后面文件“CH6参检1小学生400米v提高B.sav”），试检验该市五年级学生的400米平均成绩是否应为100秒（有无提高或下降）？ 同上，打开SPSS,读入数据，结果： 从结果中判断： t统计值的显著性概率为0.005小于1%，在1%犯错误的水平上拒绝零假设。可以认为，今年该市五年级学生的400米平均成绩明显下降了。
SPSS独立单样本t检验方法（independent-samples t Test）又叫两样本t检验， 要将两组独立的数据进行差异性比较，这属于两样本t检验，这是实验中常用的一种检验方法，下面是基本操作方法。 以低浓度组与对照组比较为例进行说明： 操作步骤： 1.输入独立样本数据（变量1和变量2都可以做数据项）
2.选用程序 从菜单选择Analysize——Compare Mean——Independent-samples t Test,打开对话框，分别将数据变量组和组别变量组对应的var转入右边对应的空白框中，数据变量组转到Test Variable(s),组别变量组转到Grouping Variable
转入后，在定义组别， 点击Difine Groups…按钮，出现如下对话框，然后输入对应的组别号，在这个例子中，group1是用1来表示的，group2使用2表示的。因此，分别输入1和2，再点击Continue按钮。
点击continue按钮后出现如下对话框，再点击OK，这样独立样本T检验程序定义完成。 3.结果分析 在第二步最后点击OK后，软件的分析结果就会出现，如下图，红框里就是要的数据。 经Levene’s方差齐性检验，F=4.655，而P=0.045<0.5,认为两组总体方差是齐的，就看两样本t检验的第一横列的值（也就是跟F同列的值）：t=1.353，P=0.193，按P=0.05水准，P>0.05,则两样本物显著性差异，P<0.05,有显著性差异，P<0.01时，两样本有极大差异。 如果F的P>0.5，则认为两样本总体方差不齐，则看第二横列的值，t检验的P值分析同上。