下载文档原格式
第九章 t 检验和方差分析在科研中，我们往往是根据样本之间的差异，去推断其总体之间是否有差异。
样本差异可能是由抽样误差所致，也可能是由本质的不同所致。
应用统计学方法来处理这类问题，称为“差异的显著性检验”。
若已知总体为正态分布，进行差异的显著性检验，称为“参数性检验”，SAS 中MEANS 、TTEST 、ANOVA 、GLM 等均属此类检验；若未知总体分布，进行差异的显著性检验，称为“非参数性检验”，SAS 中采用NPAR1WAY 过程。
第一节 t 检验9.1.1 简介t 检验是用于两组数据均值间差异的显著性检验。
它常用于以下场合：1．样本均值与总体(理论)均值差别的显著性检验检验所测得的一组连续资料是否抽样于均值已知的总体根据大量调查的结果或以往的经验，可得到某事物的平均数(例如生理生化的正常值)，以此作总体均值看待。
SAS 中采用MEANS 过程，计算出观察与总体均值的差值，再对该差值的均值进行t 检验。
2.同一批对象实验前后差异的显著性检验(自身对照比较)或配对资料差异的显著性检验(配对比较检验)比如，在医学研究中，我们常常对同一批病人治疗前后的某些生理生化指标(如血压、体温等)进行测量，以观察疗效；或对同一批人群进行预防接种，以观察预防效果；或把实验对象配成对进行测定，比较其实验结果。
SAS 中采用MEANS 过程，计算出两样本观察的差值(如治疗前、后实验数据的差值)，再对该差值的均值进行t 检验。
3．两样本均值差异的显著性检验作两样本均值差异比较的两组原始资料各自独立，没有成对关系。
两组样本所包含的个数可以相等，也可以不相等。
每组观测值都是来自正态总体的样本。
设1X 与2X 为两样本的均值，1n 与2n 为两样本数，21s ，22s 为两样本方差，分两种情形，其数学模型为：(1)方差齐(相等)时：)/1/1(21221n n s x x t +-=)2/(])1()1[(212222112-+-+-=n n s n s n s(2)方差不齐时： 22212121//n s n s x x t +-=SAS 中采用TTEST 过程，先作方差齐性检验(F 检验)，然后根据方差齐(EQUAL)和方差不齐(UNEQUAL)输出t 值和P 值以及基本统计量。
第8章假设检验与方差分析【引例】重庆啤酒股份有限公司（以下简称重庆啤酒）于1990年代初斥巨资开始乙肝新药的研发，其股票被视作“生物医药”概念股受到市场热捧。
尤其是2010~2011年的两年间，在上证指数大跌1/3的背景下，重庆啤酒股价却从23元左右飙升最高至元，但公司所研制新药的主要疗效指标的初步统计结果于2011年12月8日披露后，股价连续跌停，12月22日以元报收后停牌。
2012年1月10日重庆啤酒公告详细披露了有关研究结论，复牌后股价又遭遇连续数日下跌，1月19日跌至元。
此公告明确告知：“主要疗效指标方面，意向性治疗人群的安慰剂组与 600μg组，及安慰剂组与εPA-44 900μg组之间，HBeAg/抗HBe 血清转换在统计意义上均无差异”。
通俗地说，用药与不用药（安慰剂组）以及用药多与少（900μg组与600μg 组），都没有明显差异，这意味着该公司研制的乙肝新疫苗无效。
有关数据如表所示：表乙肝新疫苗的应答率注：εP A-44为治疗用（合成肽）乙型肝炎疫苗简称。
上表数据显示，两个用药组的应答率都高于安慰剂组的应答率，但为什么说“在统计意义上均无差异”为什么说这个结论表示乙肝新疫苗无效什么叫“在统计意义上无差异”如何根据样本数据作出统计意义上有无差异的判断解答这些问题就需要本章所要介绍的假设检验。
现实中，人们经常需要利用样本信息来判断有关总体特征的某个命题是真还是伪，或对某个（些）因素的影响效应是否显著作出推断，所以假设检验和方差分析有着广泛的应用。
例如，在生物医学领域，判断某种新药是否比旧药更有效；在工业生产中，根据某批零件抽样检查的信息来判断整批零件的质量是否符合规格要求；在流通领域，鉴别产品颜色是否对销售量有显著影响等等。
这些分析研究都离不开假设检验或方差分析。
假设检验与方差分析的具体方法很多，研究目的和背景条件不同，就需采用不同的方法。
本教材介绍假设检验与方差分析的基本原理和一些基本方法。
第12章分布类型的检验本章将涉及统计学分析中最为主要的理论之一：假设检验，它是分析统计数据、构建统计模型进行决策支持的基石。
12.1假设检验的基本思想12.1.1问题的提出12.1.2假设检验的基本步骤1.小概率事件在讨论假设检验的基本思想之前，首先需要明确小概率事件这一概念。
衡量一个事件发生与否可能性的标准是概率大小，通常概率大的事件容易发生，概率小的事件不容易发生。
习惯上将发生概率很小，如P<=0.05的事件称为小概率事件，表示在一次实验或观察中该事件发生的可能性很小，因此，如果只进行一次试验，可以视为不会发生。
这里需要澄清一个事实：注意上面的表述是“一次试验中小概率事件不应当发生”，这并不表示小概率事件不可能发生，也就是说，这里有一个前提：只进行一次试验，结果应当不会是小概率事件。
如果进行多次（可能无穷多）试验，那么小概率事件就肯定会发生，或者说，小概率事件在一次试验中不大可能发生，然而在大量试验中几乎是必然发生的。
2.小概率反证法假设检验的基本思想是统计学的“小概率反证法”原理：对于一个小概率事件而言，其对立面发生的可能性显然要大大高于这一小概率事件，可以认为，小概率事件在一次试验中不应当发生。
因此可以首先假定需要考察的假设是成立的，然后基于此进行推导，来计算一下在该假设所代表的总体中进行抽样研究得到当前样本（及更极端样本）的概率是多少。
如果结果显示这是一个小概率事件，则意味着如果假设是成立的，则在一次抽样研究中竟然就发生了小概率事件！这显然违反了小概率原理，因此可以按照反证法的思路推翻所给出的假设，认为它们实际上是不成立的，这就是小概率反证法原理。
假设检验的基本逻辑：先成立一个与H1相对立的H0。
各种假设检验方法都是根据H0来成立抽样分布，然后求出H0是正确的可能性。
如果我们能证明H0是对的可能性很小，那么就可以据此排除抽样误差的说法，认为H1可能是对的。
简言之，假设检验的基本原则是直接检验H0因而间接地检验H1，目的是排除抽样误差的可能性。
SPSS：数据分析3、T检验（TTest）⽅差分析（ANOVA）（Chi-squareTe。
⽬录1、数据采集2、数据是否服从正态分布3、T检验（T Test）4、⽅差分析（ANOVA）5、卡⽅检验（Chi-square Test）6、灰⾊关联度分析（Grey Relation Analysis，GRA）7、弗⾥德曼检验（Friedman Test）8、箱图（Box）1、数据采集1、数据分类定性观察、访谈、调查定量⼿动测量、⾃动测量、问卷打分主观等级、排序、感觉、有⽤性客观时间、数量、错误率、分数⾃变量不同的实验条件因素，研究的因素因变量不同的实验条件所影响的、要观测的因素连续数量值（preference）时间、数量、错误率------离散数量值（usability问卷打分等级数量值（usability）等级、排序变量类型Norminal Data 定类变量 | 变量的不同取值仅仅代表了不同类的事物，这样的变量叫定类变量。
问卷的⼈⼝特征中最常使⽤的问题，⽽调查被访对象的“性别”，就是定类变量。
对于定类变量，加减乘除等运算是没有实际意义的。
Ordinal Data 定序变量 | 变量的值不仅能够代表事物的分类，还能代表事物按某种特性的排序，这样的变量叫定序变量。
问卷的⼈⼝特征中最常使⽤的问题“教育程度“，以及态度量表题⽬等都是定序变量，定序变量的值之间可以⽐较⼤⼩，或者有强弱顺序，但两个值的差⼀般没有什么实际意义。
Interval Data 定距变量 | 变量的值之间可以⽐较⼤⼩，两个值的差有实际意义，这样的变量叫定距变量。
有时问卷在调查被访者的“年龄”和“每⽉平均收⼊”，都是定距变量。
Ratio Data 定⽐变量 | 有绝对0点，如质量，⾼度。
定⽐变量与定距变量在市场调查中⼀般不加以区分，它们的差别在于，定距变量取值为“0”时，不表⽰“没有”，仅仅是取值为0。
定⽐变量取值为“0”时，则表⽰“没有”。
