5-5 实验报告
两独立样本T检验 目的：利用来自两个总体的独立样本，推断两个总体的均值是否存在显著差异。 检验前提： 样本来自的总体应服从或近似服从正态分布； 两样本相互独立，样本数可以不等。 两独立样本T检验的基本步骤： 提出假设 原假设H_0：μ_1-μ_2=0 备择假设H_1：μ_1-μ_2≠0 建立检验统计量 如果两样本来自的总体分别服从N(μ_1,σ_1^2 )和N(μ_2,σ_2^2 )，则两样本均值差(x_1 ) ?-x ?_2应服从均值为μ_1-μ_2、方差为σ_12^2的正态分布。 第一种情况：当两总体方差未知且相等时，采用合并的方差作为两个总体方差的估计，为：s^2=((n_1-1) s_1^2+(n_2-1) s_2^2)/(n_1+n_2-2) 则两样本均值差的估计方差为： σ_12^2=s^2 (1/n_1 +1/n_2 ) 构建的两独立样本T检验的统计量为： t= ((x_1 ) ?-x ?_2)/√(s^2 (1/n_1 +1/n_2 ) ) 此时，T统计量服从自由度为n_1+n_2-2个自由度的t分布。 第二种情况：当两总体方差未知且不相等时，两样本均值差的估计方差为： σ_12^2=(s_1^2)/n_1 +(s_2^2)/n_2 构建的两独立样本T检验的统计量为： t= ((x_1 ) ?-x ?_2)/√((s_1^2)/n_1 +(s_2^2)/n_2 ) 此时，T统计量服从修正自由度的t分布，自由度为： f= ((s_1^2)/n_1 +(s_2^2)/n_2 )^2/(((s_1^2)/n_1 )^2/n_1 +((s_2^2)/n_2 )^2/n_2 ) 可见，两总体方差是否相等是决定t统计量的关键。所以在进行T检验之前，要先检验两总体方差是否相等。SPSS中使用方差齐性检验（Levene F检验）判断两样本方差是否相等近而间接推断两总体方差是否有显著差异。 三、计算检验统计量的观测值和p值 将样本数据代入，计算出t统计量的观测值和对应的概率p值。 四、在给定显著性水平上，做出决策 首先，利用F统计量判断两总体方差是否相等，Levene F检验的原假设为两独立总体方差相等。概率p<0.05时，有充分理由拒绝原假设，说明方差不齐；否则，两样本方差无显著性差异。 其次，将设定的显著性水平α与检验统计量的p值比较，如果t统计量的p值小于α，落入拒绝域内，则我们有充分理由拒绝原假设，认为两总体均值有显著差异。 SPSS实现过程： 菜单：Analyze -> Compare Means-> Independent Samples T test Test Variable(s)：待检验的变量（一般是定距或定序变量） Grouping Variable ：分组变量（只能比较两个样本）
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)
1、两配对样本T检验 2、单因素方差分析 3、多因素方差分析 一、两配对样本T检验 定义：两配对样本T检验是根据样本数据对样本来自的两配对总体的均值是否有显著性差异进行推断。 一般用于同一研究对象（或两配对对象）分别给予两种不同处理的效果比较，以及同一研究对象（或两配对对象）处理前后的效果比较。 两配对样本T检验的前提要求如下： 两个样本应是配对的。在应用领域中，主要的配对资料包括：具有年龄、性别、体重、病况等非处理因素相同或相似者。首先两个样本的观察数目相同，其次两样本的观察值顺序不能随意改变。 样本来自的两个总体应服从正态分布 二、配对样本t检验的基本实现思路 设总体X1服从正太分布N（u1，σ12），总体X2服从正太分布 N（u2，σ22），分别从这两个总体中抽取样（X11，X12，?，X1N）和X21，X22，?，X2N）,且两样本相互配对。要求检验μ1和μ2是否有显著差异。 第一步，引进一个新的随机变量Y=X1?X2对应的样本值为（y1,y2,?,y n),其中，y i=x1i?x2i(i=1,2,?,n)
这样，检验的问题就转化为单样本t检验问题。即转化为检验Y 的均值是否与0有显著差异。 第二步，建立零假设H0：μY=0 第三步，构造t统计量 t= y? S y √n?1 ? ~t(n?1) 第四步，SPSS自动计算t值和对应的P值 第五步，作出推断： 若P值<显著水平α，则拒绝零假设 即认为两总体均值存在显著差异 若P值>显著水平α，则不能拒绝零假设， 即认为两总体均值不存在显著差异 三、SPSS配对样本t检验的操作步骤 例题：研究一个班同学在参加了暑期数学、化学培训班后，学习成绩是否有显著变化。数据如表3所示。 1.操作步骤： 首先打开SPSS软件 1.1输入数据 点击：文件-----打开文本数据（D）-----选择需要编辑的数据-----打开
课程名称实用统计软件 实验项目名称多配对样本非参数检验 实验成绩指导老师（签名）日期2011-12-6 一．实验目的 1，掌握多配对样本的非参数检验基本原理和算法； 2，能够用SPSS软件解决多配对样本的非参数检验的问题。 二. 实验内容与要求 1．实验内容 1．书上的三个研究问题的实现。 2．书上练习与思考题第10-3题。（提示：录入数据进行kendall协同系数检验时要把数据进行转置，读物作为变量，评论家作为行） 3．为了比较A、B、C、D、E 5种药物注射后产生的皮肤疱疹的大小，选取6只家兔并给每只家兔先后分别按随机排列的次序注射这5种药物。实验结果如下表（疱疹面积的度量单位为mm2）： （提示：录入数据是也要注意，家兔在行，药物在列作为检验变量）
2．实验要求： 作业中要出现检验过程。如本ppt第8页、第20页、第30页的表格及统计计算过程。 注意：今天的三种方法所处理的实际问题类型有所不同，需要根据具体问题选择不同的检验方法。 三．实验步骤 具体操作参见课件多配对样本非参数检验.PPT（ftp://10.66.28.22:22） 四. 实验结果（数据与图形）与分析 1．书上的三个研究问题的实现。 2．书上练习与思考题第10-3题。（提示：录入数据进行kendall协同系数检验时要把数据进行转置，读物作为变量，评论家作为行）
得到卡方统计量为9.782，W系统系数为0.466，小于1，相伴概率为0.201，大于显著性水平0.05，所以评分标准不够一致。 3．为了比较A、B、C、D、E 5种药物注射后产生的皮肤疱疹的大小，选取6只家兔并给每只家兔先后分别按随机排列的次序注射这5种药物。实验结果如下表（疱疹面积的度 （提示：录入数据是也要注意，家兔在行，药物在列作为检验变量）
参数、非参数检验操作步骤 参数检验 非参数检验 对象 针对参数做的假设 针对总体分布情况做的假设 使用范围 等距数据和比例数据（度量） 定类数据和定序数据（名义和有序） 分布 正态分布 正态、非正态分布 内容 Means 检验 单样本T 检验 独立样本T 检验 配对样本T 检验 卡方检验（均匀分布） 二项分布检验（两个变量） 游程检验（随机分布） K-S 检验（正态分布检验） 参数检验 一 Means 过程 Means 过程用于统计分组变量的的基本统计量，这些基本统计量包括：均值（Mean ）、标准差(Standard Deviation)、观察量数目(Number of Cases)、方差(Variance)。 1数据编辑窗口输入分析的数据 2 分析→比较均值→均值 因变量、自变量的选择可根据实际情况。 “选项”
3 结果分析
P＜0.05，拒绝原假设，显著性强。 结果报告，分别给出暴雨前和暴雨后卵量的统计量：暴雨前有13个样本，平均数122.3846，标准差15.95065，方差254.423; 暴雨后有13个样本，平均数104.4615，标准差15.10858，方差228.269；总体26个样本，平均数113.4231，标准差17.75426，方差315.214。 方差分析表，共有六列，第一列说明方差的来源，Between Groups是组间的，Within Groups 组内的，Total 总的。第二列为平方和，其大小说明了各方差来源作用的大小。第三列为自由度。第四列为均方，即平方和除以自由度。第五列F值是F统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性。第六列是F统计量的显著值，由于这里的显著值0.007小于0.05，所以模型是显著的，降雨对卵量有显著影响。 二单一样本的T检验 T检验是检验单个变量的均值与指定的检验值之间是否存在显著差异。如：研究人员可能想知道一组学生的IQ平均分与100分的差异。 1 分析→比较均值→单一样本的T检验
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：
参数、非参数检验操作步骤 参数检验非参数检验 对象针对参数做的假设针对总体分布情况做的假设 使用范围等距数据和比例数据（度量）定类数据和定序数据（名义和有序）分布正态分布正态、非正态分布 内容Means检验 单样本T检验 独立样本T检验 配对样本T检验 卡方检验（均匀分布） 二项分布检验（两个变量） 游程检验（随机分布） K-S检验（正态分布检验）参数检验 一Means过程 Means过程用于统计分组变量的的基本统计量，这些基本统计量包括：均值（Mean）、标准差(Standard Deviation)、观察量数目(Number of Cases)、方差(Variance)。 1数据编辑窗口输入分析的数据 2 分析→比较均值→均值 因变量、自变量的选择可根据实际情况。 “选项”
3 结果分析
P＜0.05，拒绝原假设，显著性强。 结果报告，分别给出暴雨前和暴雨后卵量的统计量：暴雨前有13个样本，平均数122.3846，标准差15.95065，方差254.423; 暴雨后有13个样本，平均数104.4615，标准差15.10858，方差228.269；总体26个样本，平均数113.4231，标准差17.75426，方差315.214。 方差分析表，共有六列，第一列说明方差的来源，Between Groups是组间的，Within Groups 组内的，Total 总的。第二列为平方和，其大小说明了各方差来源作用的大小。第三列为自由度。第四列为均方，即平方和除以自由度。第五列F值是F统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性。第六列是F统计量的显著值，由于这里的显著值0.007小于0.05，所以模型是显著的，降雨对卵量有显著影响。 二单一样本的T检验 T检验是检验单个变量的均值与指定的检验值之间是否存在显著差异。如：研究人员可能想知道一组学生的IQ平均分与100分的差异。 1 分析→比较均值→单一样本的T检验
第四章 两独立样本的非参数检验 在单样本位置问题中，人们想要检验的是总体的中心是否等于一个已知的值．但在实际问题中，更受注意的往往是比较两个总体的位置参数；比如。两种训练方法中哪一种更出成绩，两种汽 油中哪一个污染更少，两种市场营销策略中那种更有效等等． 作为一个例子．我国沿海和非沿海省市区的人均国内生产总值(GDP)的1997年抽样数据如下(单位为元)．沿海省市区为(Y1，Y2，…，Y12): 15044 12270 5345 7730 22275 8447 9455 8136 6834 9513 4081 5500 而非沿海的为对（x1,x2,…，x18）： 5163 4220 4259 6468 3881 3715 4032 5122 4130 3763 2093 3715 2732 3313 2901 3748 3731 5167 人们想要知道沿海和非沿海省市区的人均GDP 的中位数是否一样．这就是检验两个总体的位置参数是否相等的问题． 假定代表两个独立总体的随机样本(Y1，Y2，…，Y12)和（x1,x2,…，x18），则问题归结为检验它们总体的均值(或中位数)的差是否相等，或是否等于某个已知值．换言之，即检验 0H ：021D =-μμ；1H ： 021D ≠-μμ 0H ：021D =-μμ；1H ： 021D <-μμ 0H ：021D =-μμ；1H ： 021D >-μμ 在正态假定下，这些问题化为：)2(~1 1)(0-++--= m n t m n s D y x t 2 )()(1 2 1 2 -+-+-= ∑∑==n m y y x x S m i i n i i t 检验并不稳健，在不知总体分布时，应用t 检验时会有风险的。 4.1 Brown-Mood 中位数检验 令沿海地区的人均GDP 的中位数为M X ，而内地的为M Y 。零假设为 0H ：y x M M =；1H ： y x M M > 显然，在零假设下，中位数如果一样的话，它们共同的中位数，即这(12十18)=30个数的样本中位数(记为此xy M )，应该对于每一列数据来说都处于中间位置．也就是说，(Y1，Y2，…，Y12)和（x1,x2,…，x18）中大于或小于xy M 的样本点应该大致一样多，计算他们的混合样本中位数为
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
实验报告 ——（非参数检验） 实验目的： 1、学会使用SPSS软件进行非参数检验。 2、熟悉非参数检验的概念及适用范围，掌握常见的秩和检验计算方法。 实验内容： 1、某公司准备推出一个新产品，但产品名称还没有正式确定，决定进行抽样调 查，在受访200人中，52人喜欢A名称，61人喜欢B名称，87人喜欢C 名称，请问ABC三种名称受欢迎的程度有无差别？(数据表自建) SPSS计算结果如下： 此题为总体分布的卡方检验。 零假设：样本来自总体分布形态和期望分布没有显著差异。即ABC三种名称受欢迎的程度无差别,分布形态为1：1：1，呈均匀分布。 观察结果，上表为200个观察数据对A、B、C三个名称（分别对应1，2，3）的喜爱的期望频数以及实际观察频数和期望频数的差。从下表中可以看出相伴概
率值为0.007小于显著性水平0.05，因此拒绝零假设，认为样本来自的总体分布与制定的期望分布有显著差异，即A、B、C三种名称受欢迎的程度有差异。 2、某村庄发生了一起集体食物中毒事件，经过调查，发现当地居民是直接饮用 河水，研究者怀疑是河水污染所致，县按照可疑污染源的大致范围调查了沿河居民的中毒情况，河边33户有成员中毒（+）和均未中毒（-）的家庭分布如下：（案例数据run.sav） -+++*++++-+++-+++++----++----+---- 毒源 问：中毒与饮水是否有关？ SPSS计算结果如下： 此题为单样本变量值随机检验 零假设：总体某变量的变量值是随机出现的。即中毒的家庭沿河分布的情况随机分布，与饮水无关。 相伴概率为0.036，小于显著性水平0.05，拒绝零假设，因此中毒与饮水有关。 3、某试验室用小白鼠观察某种抗癌新药的疗效，两组各10只小白鼠，以生存日数作为观察指标，试验结果如下，案例数据集为：npara1.sav，问两组小白鼠生存日数有无差别。 试验组：24 26 27 30 32 34 36 40 60 天以上 对照组：4 6 7 9 10 10 12 13 16 16 SPSS计算结果如下： 此题为两独立样本非参数检验。 （1）两独立样本Mann-Whitney U检验：
第三章 两相关样本的非参数检验 在实际生活中，常常要比较成对数据。比如比较两种处理，如药物，饮食，材料，管理方法等等。有时要同时比较，有时要比较处理前后的区别.例如，某鞋厂比较两种材料的耐磨性，如果让两组不同的人来实验，则因为人们的行为差异很大，所以，不能进行公平的比较，如果让某个样本的左右两只鞋分别用不同的材料作成，实验的条件就很相似了。所谓两个相关样本，是指两样本之间存在着某种内在联系。 §3.1 符号检验 一、基本方法 设X 和Y 分别具有分布函数F(x)和f(y)，从两个总体得随机配对样本数据),(,),,(),,(2211n n y x y x y x ，研究X 和Y 是否具有相同得分布函数。即检验：:0H )(x F ＝)(y F 。如果两个总体具有相同的分布，则其中位数应该相等，所以检验的假设为： 配对资料符号检验的计算步骤为： 与单样本的符号检验一样，也定义S +和S -为检验的统计量。 的数目为i i n i i i y x y x I S >>=∑=+1)( 的数目为i i n i i i y x y x I S >>=∑=+1)( 由于S +和S -的抽样分布为二项分布)2 1,(n B ，如果S +大小适中，则支持原假设，否则S +太大，S -太小，则支持y x m m H >：1；S +太小，S -太大，则支持y x m m H <：1。 令),min(，则检验的准则如下表：
例从实行适时管理（JIT）的企业中，随机抽取20家进行效益分析，它们在实施JIT前后三年的平均资产报酬率。问在5％的显著性水平下，企业在实施JIT前后的资产报酬率是否有显著差异？ 应该接受原假设，即企业在实施JIT前后的资产报酬率没有显著差异？ §3.2 两样本配对Wilcoxon检验 前面的符号检验只用到它们差异的符号，而对数字大小所包含的信息未能考虑。因此为改进信息的利用效率，可采用两样本配对Wilcoxon检验。配对Wilcoxon检验既考虑了正、负号，又考虑了两者差值的大小。 Wilcoxon符号秩检验的步骤：
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
原文地址：SPSS学习笔记之——两配对样本的非参数检验（Wilcoxon符号秩检验）作者：王江源 一、概述 非参数检验对于总体分布没有要求，因而使用范围更广泛。对于两配对样本的非参数检验，首选Wilcoxon符号秩检验。它与配对样本t检验相对应。 二、问题 为了研究某放松方法（如听音乐）对于入睡时间的影响，选择了10名志愿者，分别记录未进行放松时的入睡时间及放松后的入睡时间（单位为分钟），数据如下笔。请问该放松方法对入睡时间有无影响。 本例可以采用配对样本t检验，但由于样本量少，数据可能不符合正太分布，所以考虑用非参数检验。 三、统计操作 数据视图
菜单选择 打开如下的对话框
该对话框有三个选项卡，第一个选项卡会根据第三个选项卡的设置自动设置，故一般不用手动设定。点击进入“字段”选项卡。将“放松前”、“放松后”均选入右边“检验字段”框中。 点击进入“设置”对话框，选择检验方法，切换为“自定义检验”，选择“Wilcoxon匹
配样本对符号秩（二样本）”复选框。“检验选项”可以设定显著性水平。 点击“运行”按钮，输出结果 四、结果解读 这就是输出结果。原假设示放松前好放松后差值的中位数等于0，P=0.015<0.05，拒绝原假设，认为放松前后有统计学差异。
双击该表格，会弹出如下的“模型浏览器”窗口，可以看到更详细的信息。如下图。
统计第十一课：SPSS 多相关样本的非参数检验（Friedman检验） 关键词：SPSS多相关样本非参数检验2015-07-14 00:00来源：互联网点击次数：5103 先讲讲什么是 Friedman 检验 Friedman 检验是利用秩实现对多个总体分布是否存在显著差异的非参数检验方法。 其原假设是：多个配对样本来自的多个总体分布无显著差异。 SPSS 将自动计算 Friedman 统计量和对应的概率 P 值。如果概率 P 值小于给定的显著性水平 0.05，则拒绝原假设，认为各组样本的秩存在显著差异，多个配对样本来自的多个总体的分布有显著差异。 反之，则不能拒绝原假设，可以认为各组样本的秩不存在显著性差异。 基于上述基本思路，多配对样本的 Friedman 检验时，首先以行为单位将数据按升序排序，并求得各变量值在各自行中的秩；然后，分别计算各组样本下的秩总和与平均秩。多配对样本的 Friedman 检验适于对定距型数据的分析。 看完这些，是不是有点儿晕，好吧，让我们进入实例来分析分析。
两独立样本T 检验 目的：利用来自两个总体的独立样本，推断两个总体的均值是否存在显著差异。 检验前提： 样本来自的总体应服从或近似服从正态分布； 两样本相互独立，样本数可以不等。 两独立样本T 检验的基本步骤： 提出假设 原假设H_0:「1-「2=0 备择假设H_1:叮-卩_2工0 建立检验统计量 如果两样本来自的总体分别服从N(^_1,c_1A2)和N(「2, q_2A2),则两样本均值差(x_1 ) ?-x ?_2应服从均值为Q-匸2、方差为c_12A2的正态分布。 第一种情况:当两总体方差未知且相等时，采用合并的方差作为两个总体方差的估计，为: sA2=((n_1-1) s_1A2+(n_2-1) s_2A2)/(n_1+n_2-2) 则两样本均值差的估计方差为: c_12A2=sA2 (1/n_1 +1/n_2 ) 构建的两独立样本T检验的统计量为： t= ((x_1 ) ?-x ?_2/ V (sA2 (1/n_1 +1/n_2 )) 此时，T统计量服从自由度为n_1+n_2-2个自由度的t分布。 第二种情况:当两总体方差未知且不相等时，两样本均值差的估计方差 为: (T _12A2=(s_1A2)/n_1 +(s_2八2)/n_2
构建的两独立样本T 检验的统计量为： t= ((x_1 ) ?x ?_2)/ V ((s_1A2)/n_1 +(s_2A2)/n_2 ) 此时，T 统计量服从修正自由度的t 分布，自由度为： f= ((s_1A2)/n_1 +(s_2A2)/n_2 )A2/(((s_1A2)/n_1 )A2/n_1 +((s_2A2)/n_2 )A2/n_2 ) 可见，两总体方差是否相等是决定t 统计量的关键。所以在进行T 检验之前，要先检验两总体方差是否相等。SPS芽使用方差齐性检验(Levene F检 验)判断两样本方差是否相等近而间接推断两总体方差是否有显著差异。 三、计算检验统计量的观测值和p 值 将样本数据代入，计算出t 统计量的观测值和对应的概率p 值。 四、在给定显著性水平上，做出决策 首先，利用F统计量判断两总体方差是否相等，Levene F检验的原假设为两独立总体方差相等。概率p<0.05 时，有充分理由拒绝原假设，说明方差不齐；否则，两样本方差无显著性差异。 其次，将设定的显著性水平a与检验统计量的p值比较，如果t统计量的p 值小于a,落入拒绝域内，则我们有充分理由拒绝原假设，认为两总体均值有显著差异。 SPSS实现过程： 菜单：Analyze -> Compare Means-> Independent Samples T test Test Variable(s):待检验的变量(一般是定距或定序变量) Grouping Variable ：分组变量(只能比较两个样本) 结果中比较有用的值：方差齐次性检验F统计量对应的P值和方差相等或 不相等T统计量对应的P值。 例：利用pkustedu.sav 数据，检验不同性别学生的平均月生活费是否存在差异。 扩展案例：
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
实验二 SPSS的参数检验和非参数检验 （验证性实验 4学时） 1、目的要求：熟练掌握t检验及其结果分析。熟练掌握单样本、两独立 样本、多独立样本的非参数检验及各种方法的适用范围，能对结果给 出准确分析。 2、实验内容：使用指定的数据按实验教材完成相关的操作。 3、主要仪器设备：计算机。 练习： 1、给幼鼠喂以不同的饲料，用以下两种方法设计实验： 鼠体内钙的留存量有显著不同。 2、为分析大众对牛奶品牌是否具有偏好，随机挑选超市收集其周一至周六各天 并说明分析结论。 1 参数检验概述 假设检验的基本思想 .事先对总体参数或分布形式作出某种假设，然后利用样本信息来判断原假设是否成立； .采用逻辑上的反证法，依据统计上的小概率原理。
2 单样本的T检验 2.1检验目的： ?检验单个变量的均值是否与给定的常数(总体均值)之间是否存在显著差异。如：分析学生的IQ平均分是否为100分；大学生考研率是否为5%。 ?要求样本来自的总体服从或近似服从正态分布。 2.2 单样本T检验的实现思路 ?提出原假设： ?计算检验统计量和概率P值 ●给定显著性水平与p值做比较：如果p值小于显著性水平，小概率事件在 一次实验中发生，则我们应该拒绝原假设，反之就不能拒绝原假设。 2.3 单样本t检验的基本操作步骤 1、选择选项Analyze－Compare means－One-Samples T test，出现窗口： 2、在Test Value框中输入检验值。 3、单击Option按钮定义其他选项。Option选项用来指定缺失值的处理方法。其中，Exclude cases analysis by analysis表示计算时涉及的变量上有缺失值，则剔除在该变量上为缺失值的个案；Exclude cases listwise表示剔除所有在任意变量上含有缺失值的个案后再进行分析。可见，较第二种方式，第一种处理方式较充分地利用了样本数据。在后面的分析方法中，SPSS对缺失值的处理方法与此相同，不再赘述。另外，还可以输出默认95％的置信区间。 至此，SPSS将自动计算t统计量和对应的概率p值。 3 两独立样本的T检验 3.1 两独立样本T检验的目的 ?利用来自两个总体的独立样本，推断两个总体的均值是否存在显著性差异； ?两独立样本的样本容量可以相等，也可以不相等； ?样本来自的总体服从或近似服从正态分布。 方差齐性检验（Levene F方法）： ?计算两组样本的均值 ●计算各个样本与本组均值的平均离差绝对值； ●利用单因素方差分析推断两独立总体平均离差绝对值是否有显著差异。 ●在对两独立样本进行T检验时，两组样本方差相等和不等时使用的计算t 值的公式不同，所以首先进行方差F检验。用户需要根据F检验的结果自己判断选择t检验输出中的哪个结果，得出最后结论。如果推断两总体方差相等则看方差相等的T检验值和P值，如果推断两总体方差不相等则看方差不相等的T检验值和P值。 3.2 两独立样本T检验的实现思路 ?提出原假设：两总体均值不存在显著差异： ●计算统计量和P值：首先利用F检验确定两个总体的方差是否相等；然后 再选择合适的T统计量计算观测值和概率P值； ●根据显著性水平和概率P值进行统计决策。 3.3 两独立样本t检验的基本操作步骤 进行两独立样本t检验之前，正确地组织数据是一个非常关键的任务。SPSS 要求将两组样本数据存放在一个SPSS变量中，同时，为区分哪些样本来自哪个
为了帮大家快速度过新手期，我们整理了一份常见分析方法的流程总结。 其中包括每种分析方法的分析流程，以及每个环节中可能出现的问题及应对方法。不会分析的同学可以按照图中的流程一步步操作，就能得到准确可靠的结果。 1.何时使用非参数检验 或许你还没有理解什么是参数检验、非参数检验，但一定曾在无意之中使用过它们。如我们常用的方差分析、T检验，都属于参数检验。
参数检验，就是假定数据服从某种分布，通过样本信息对总体参数进行检验。因而在分析前，先要检验数据是否符合该类型的分布，如果数据无法满足检验假设的情况不符合分布情况，则可以考虑选择使用非参数检验。 比如使用方差分析时，需要在分析前对数据的正态性和方差齐性进行判断，如果服从正态性、方差齐性，才可以使用方差分析。反之，如果没有满足这些假设条件，则使用非参数检验。 2.非参数检验和参数检验的对比 分析方法参数检验非参数检验 ①适用范围正态分布分布未知 ②检验效能高低 ③描述指标平均值中位数 ④图形展示折线图箱线图 ①适用范围： 非参数检验用作参数检验的替代方法，当数据不满足正态性时，将使用非参数检验。因此，关键是要弄清楚是否具有正态分布。如果数据大致呈现"钟型"分布，则可以使用参数检验。 ②检验效能： 如果数据满足参数分布，应该优先选择参数检验方法。愿因在于参数检验的检验效能要高于非参数检验。尤其是在样本数较大的情况下，参数检验结果较为稳健，所以即使不服从正态分布，也会选择参数检验。 ③对比指标：
参数检验一般用平均值反映数据的集中趋势；但由于数据不满足正态分布，在非参数检验中如果再使用平均值描述显然不太准确（比如常被吐槽的人均收入），此时中位数是更好的选择。 参数检验分析结果 参数检验用平均值及标准差描述样本分布请况。 非参数检验分析结果 非参数检验结果中使用的是中位数描述差异。 ④图形展示 除了使用以上指标进行分析，还可以通过图形直观展示数据情况。参数检验常用图形有：折线图、条形图等，非参数检验可以使用箱线图查看。
【案例1】有12名接种卡介苗的儿童，八周后用两批不同的结核菌素，一批是标准结核菌素，一批是新制结核菌素，分别注射在儿童的前臂，两种结核菌素的皮肤浸润平均直径(mm)如表5-1所示。某医生计算标准品与新制品的差值，均数3.25cm，故认为新制结核菌素的皮肤浸润直径比标准结核菌素的小。 【问题】 (1)该医生的结论是否正确?为什么? (2)问两种结核菌素的反应性有无差别？ 表112名儿童分别接种结核菌素的皮肤浸润结果(m m) 编号标准品新制品差值d 112.010.02.0 214.510.04.5 315.512.53.0 412.013.0-1.0 513.010.03.0 612.05.56.5 710.58.52.0 87.56.51.0 99.05.53.5 1015.08.07.0 1113.06.56.5 1210.59.51.0 【案例2】为比较两种方法对乳酸饮料中脂肪含量测定结果是否不同，随机抽取了10份乳酸饮料制品，分别用脂肪酸水解法和哥特里－罗紫法测定其结果如表3-5第(1)~(3)栏。问两法测定结果是否不同？ 表2 两种方法对乳酸饮料中脂肪含量的测定结果(%) 编号(1) 哥特里－罗紫法 (2) 脂肪酸水解法 (3) 差值d (4)=(2) (3) 1 0.840 0.580 0.260 2 0.591 0.509 0.082 3 0.67 4 0.500 0.174 4 0.632 0.316 0.316 5 0.687 0.337 0.350 6 0.978 0.51 7 0.461 7 0.750 0.454 0.296 8 0.730 0.512 0.218 9 1.200 0.997 0.203 10 0.870 0.506 0.364 2.724 【案例3】某研究者为比较耳垂血和手指血的白细胞数，调查12名成年人，同时采取耳垂血和手指血见下表，试比较两者的白细胞数有无不同。 表成人耳垂血和手指血白细胞数(10g/L) 编号耳垂血手指血