t检验和方差分析的前提条件及应用误区精编版

t检验和方差分析的前提条件及应用误区集团标准化工作小组 #Q8QGGQT-GX8G08Q8-GNQGJ8-MHHGN#t检验和方差分析的前提条件及应用误区用于比较均值的t检验可以分成三类，第一类是针对单组设计定量资料的；第二类是针对配对设计定量资料的；第三类则是针对成组设计定量资料的。

后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。

无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。

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。

值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。

t检验是目前医学研究中使用频率最高，医学论文中最常见到的处理定量资料的假设检验方法。

t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学期刊多在统计学方面作出了要求，研究结论需要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉的方法；t检验方法简单，其结果便于解释。

简单、熟悉加上外界的要求，促成了t检验的流行。

但是，由于某些人对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。

将这些问题归类，可大致概括为以下两种情况：不考虑t检验的应用前提，对两组的比较一律用t检验；将各种实验设计类型一律视为多个单因素两水平设计，多次用t检验进行均值之间的两两比较。

以上两种情况，均不同程度地增加了得出错误结论的风险。

而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。

第六章数值变量资料的统计分析数值变量资料又称计虽资料,通常是指每个观察单位某项指标虽的大小，一般具有讣量 单位。

这类资料按分析的内容一般可分为两种：一种是比较几种处理之间的效应，简单地讲 就是比较各处理组观察值均数、方差的大小：另一种是寻找指标间的关系，即某个（或某 些）指标的取值是否受其它指标的影响.本章主要介绍不同设计类型的数值变量资料的比 较。

§样本均数与总体均数比较的t 检验t 检验亦称student'st 检验，主要用于下列三种情况：（1）样本均数与总体均数比 较；（2）配对数值变量资料的比较；（3）两样本均数的比较。

Stata 用于样本均数•与总体均数比较的 ttest 变量名=#val这里，#val 表示总体均数。

命令中可以选用if 语句和 ttesti #obs thnean #sd #val这里，#obs 表示样本含量，#mean 表示样本均数.#sd 表示样本标准差, #val 表示总体均数。

§两样本均数比较的t 检验配对设计t 检验医学研究中常将受试对象配成对子，对每对中的两个受试对象分別给予两种不同的处 理，观察两种处理的结果是否一致，称为配对（设计）研究。

有时以同一个受试对象先后给予 两种不同的处理，观察两种处理的结果是否相同，这种配对称为自身配对。

配对设计的优点 是能消除或部分消除个体间的差异，使比较的结果更能貞•实地反映处理的效应。

配对t 检验首先讣算每对结果之差值，再将差值均数场0作比较。

如两种处理的效应相 同，则差值与0没有显著性差异。

检验假设为：两种处理的效应是相同，或总体差值均数为0°stata 用于配对样本t 检验的命令是：Ttest 变量1 =变量2这里，这里“变鼠1”和“变量2”是成对输入的配对样本。

ttest 命令容许使用［if 表达式］和［in 范帀］条杵限制。

t 检验的命令是:in 语句对要分析的内容加一些条件限制。

常用显著性检验1.t检验适用于计量资料、正态分布、方差具有齐性的两组间小样本比拟。

包括配对资料间、样本与均数间、两样本均数间比拟三种，三者的计算公式不能混淆。

2.t'检验应用条件与t检验大致一样，但t′检验用于两组间方差不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式。

3.U检验应用条件与t检验根本一致，只是当大样本时用U检验，而小样本时那么用t检验，t检验可以代替U检验。

4.方差分析用于正态分布、方差齐性的多组间计量比拟。

常见的有单因素分组的多样本均数比拟与双因素分组的多个样本均数的比拟，方差分析首先是比拟各组间总的差异，如总差异有显著性，再进展组间的两两比拟，组间比拟用q检验或LST检验等。

5.X2检验是计数资料主要的显著性检验方法。

用于两个或多个百分比(率)的比拟。

常见以下几种情况：四格表资料、配对资料、多于2行*2列资料与组分组X2检验。

6.零反响检验用于计数资料。

是当实验组或对照组中出现概率为0或100％时，X2检验的一种特殊形式。

属于直接概率计算法。

7.符号检验、秩和检验和Ridit检验三者均属非参数统计方法，共同特点是简便、快捷、实用。

可用于各种非正态分布的资料、未知分布资料与半定量资料的分析。

其主要缺点是容易丢失数据中包含的信息。

所以但凡正态分布或可通过数据转换成正态分布者尽量不用这些方法。

8.Hotelling检验用于计量资料、正态分布、两组间多项指标的综合差异显著性检验。

计量经济学检验方法讨论计量经济学中的检验方法多种多样，而且在不同的假设前提之下，使用的检验统计量不同，在这里我论述几种比拟常见的方法。

在讨论不同的检验之前，我们必须知道为什么要检验，到底检验什么？如果这个问题都不知道，那么我觉得我们很荒谬或者说是很模式化。

检验的含义是要确实因果关系，计量经济学的核心是要说因果关系是怎么样的。

那么如果两个东西之间没有什么因果联系，那么我们寻找的原因就不对。

那么这样的结果是没有什么意义的，或者说是意义不大的。

t检验、卡方检验、方差分析一、T检验t检验有单样本均数t检验，配对t检验和两随机样本均数t检验。

1、单样本均数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，来推论此样本代表的总体与已知总体是否同质。

检验条件：正态分布2、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效应。

检验条件：差数服从正态分布3、两随机样本均数t检验。

检验条件：正态分布、方差齐性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。

判断两总体方差是否相等，用F检验。

在t检验中，如果假设检验的目的是比较大于小于之类的就用单侧检验，等于、是否相同之类的问题就用双侧检验。

二、卡方检验是对两个或两个以上样本率（构成比）进行差别比较的统计方法，在临床和医学实验中应用十分广泛，特别是临床科研中许多资料是计数资料，就需要用到卡方检验。

资料类型：1、四格表资料;两个样本率比较2、配对四格表：3、行列表资料：多个样本率比较三、方差分析1、定义、目的：用方差分析比较多个样本均数,可有效地控制第一类错误。

方差分析(analysis of variance,ANOVA)由英国统计学家R.A.Fisher首先提出，以F命名其统计量，故方差分析又称F检验。

其目的是推断两组或多组资料的总体均数是否相同，检验两个或多个样本均数的差异是否有统计学意义。

我们要学习的主要内容包括：2、单因素方差分析即完全随机设计或成组设计的方差分析（one-way ANOVA）：用途：用于完全随机设计的多个样本均数间的比较，其目的是推断各样本所代表的总体均数是否相等。

完全随机设计（completely random design）不考虑个体差异的影响，仅涉及一个处理因素，但可以有两个或多个水平，所以亦称单因素实验设计。

T检验及单因素方差分析T检验是一种用于比较两个样本均值是否具有统计学意义的方法，而单因素方差分析则是一种用于比较三个或更多个样本均值是否具有统计学意义的方法。

本文将详细介绍T检验和单因素方差分析的基本原理、假设条件、计算公式以及实际应用。

一、T检验的基本原理T检验是由英国统计学家威廉·塞吉威德·高斯特及学生威廉·赖斯·格斯特发展而来的。

T检验基于样本均值与总体均值的比较，通过计算差异的标准误差来判断这种差异是否具有统计学意义。

T检验的基本原理是假设样本的均值服从正态分布，通过计算样本均值与总体均值之间的标准差来估计差异的大小。

二、T检验的假设条件T检验的假设条件包括正态分布假设、独立性假设和方差齐性假设。

1.正态分布假设：样本来自正态分布总体或样本容量足够大时，可以近似看作来自正态分布总体。

2.独立性假设：样本之间是相互独立的，即一个样本的观察值与另一个样本的观察值之间没有关联。

3.方差齐性假设：不同样本的方差相等，即总体的方差是相同的。

三、T检验的计算公式T检验的计算公式包括两种情况：独立样本T检验和配对样本T检验。

1.独立样本T检验：适用于两个独立的样本均值比较。

计算公式为：t = (X1 - X2) / se其中，X1和X2分别为两个样本的均值，se为标准误差，t为检验统计量。

2.配对样本T检验：适用于两个相关的样本均值比较。

计算公式为：t=(X1-X2)/(s/√n)其中，X1和X2分别为两个样本的均值，s为差异的标准差，n为样本容量，t为检验统计量。

四、单因素方差分析的基本原理单因素方差分析是用于比较三个或更多个样本均值是否具有统计学意义的方法。

它基于样本之间的差异和样本内的差异，通过计算组间方差和组内方差的比值来判断这种差异是否显著。

单因素方差分析的基本原理是假设总体均值相等，通过计算组间方差和组内方差的比值来检验这一假设。

五、单因素方差分析的假设条件单因素方差分析的假设条件包括正态分布假设、独立性假设和方差齐性假设。

t检验和方差分析的前提条件及应用误区用于比较均值的t检验可以分成三类，第一类是针对单组设计定量资料的；第二类是针对配对设计定量资料的；第三类则是针对成组设计定量资料的。

后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。

无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。

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。

值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。

t检验是目前医学研究中使用频率最高，医学论文中最常见到的处理定量资料的假设检验方法。

t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学期刊多在统计学方面作出了要求，研究结论需要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉的方法；t检验方法简单，其结果便于解释。

简单、熟悉加上外界的要求，促成了t检验的流行。

但是，由于某些人对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。

将这些问题归类，可大致概括为以下两种情况：不考虑t检验的应用前提，对两组的比较一律用t检验；将各种实验设计类型一律视为多个单因素两水平设计，多次用t检验进行均值之间的两两比较。

以上两种情况，均不同程度地增加了得出错误结论的风险。

而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。

医学论文中常见的统计方法误用一、等级资料用卡方检验代替秩和检验卡方检验主要用于计数资料的显著性检验。

t检验和方差分析的前提条件及应用误区t检验和方差分析的前提条件及应用误区选摘自《医学统计应用错误的诊断与释疑》，军事医学科学出版社，主编：胡良平用于比较均值的t检验可以分成三类，第一类是针对单组设计定量资料的；第二类是针对配对设计定量资料的；第三类则是针对成组设计定量资料的。

后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。

无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。

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。

值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。

t检验是目前医学研究中使用频率最高，医学论文中最常见到的处理定量资料的假设检验方法。

t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学期刊多在统计学方面作出了要求，研究结论需要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉的方法；t检验方法简单，其结果便于解释。

简单、熟悉加上外界的要求，促成了t检验的流行。

但是，由于某些人对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。

将这些问题归类，可大致概括为以下两种情况：不考虑t检验的应用前提，对两组的比较一律用t检验；将各种实验设计类型一律视为多个单因素两水平设计，多次用t检验进行均值之间的两两比较。

以上两种情况，均不同程度地增加了得出错误结论的风险。

而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。

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。

统计学各检验方法的适用条件统计学中的检验方法是用来对数据进行分析和假设检验的一种统计方法。

每种检验方法都有其适用条件，这些条件决定了这种方法在实际应用中的有效性和准确性。

下面是一些常见的统计学检验方法以及它们的适用条件：1.单样本t检验：单样本t检验用于比较一个样本的均值是否与一些给定的数值相等。

它的适用条件包括：-数据是连续变量；-数据符合正态分布或大样本条件下近似正态分布；-数据是独立采样的；-数据的样本容量足够大。

2.两样本t检验：两样本t检验用于比较两个样本的均值是否相等。

它的适用条件包括：-数据是连续变量；-数据符合正态分布或大样本条件下近似正态分布；-两个样本之间独立采样；-两个样本的方差相等或可近似相等。

3.配对样本t检验：配对样本t检验用于比较同一组样本在两个不同条件下的均值是否相等。

它的适用条件包括：-数据是连续变量；-两个条件下的数据之间存在配对关系；-数据符合正态分布或大样本条件下近似正态分布；-配对数据是独立采样的。

4.方差分析（ANOVA）：方差分析用于比较三个或更多个样本的均值是否相等。

它的适用条件包括：-数据是连续变量；-数据符合正态分布或大样本条件下近似正态分布；-各组数据是独立采样的；-各组数据的方差相等或可近似相等。

5.卡方检验：卡方检验用于比较观察到的频数与期望频数之间的差异。

它的适用条件包括：-数据是分类变量；-数据是计数数据或频数数据；-数据符合独立性假设。

6.独立性检验：独立性检验用于比较两个分类变量之间是否存在相关性。

它的适用条件包括：-数据是分类变量；-数据是计数数据或频数数据；-数据是独立采样的；-数据满足独立性假设。

7.相关分析：相关分析用于研究两个连续变量之间的关系。

它的适用条件包括：-数据是连续变量；-数据是成对观察的；-数据满足线性关系；-数据满足独立性假设。

8.回归分析：回归分析用于建立预测模型，研究自变量与因变量之间的关系。

它的适用条件包括：-数据是连续变量；-数据满足线性关系；-数据满足独立性假设；-数据的误差项符合正态分布。

T检验在正态或近似正态分布的计量资料中，经常在使用前一章统计描述过程分析后，还要进行组与组之间平均水平的比较。

本章介绍的T 检验方法，主要应用在两个样本间比较。

如果需要比较两组以上样本均数的差别，这时就不能使用上述的T检验方法作两两间的比较。

对于两组以上的均数比较，可以使用方差分析方法。

用户可以指定一个或多个变量作为分组变量。

如果分组变量为多个，还应指定这些分组变量之间的层次关系。

层次关系可以是同层次的或多层次的。

同层次意味着将按照各分组变量的不同取值分别对个案进行分组；多层次表示将首先按第一分组变量分组，然后对各个分组下的个案按照第二组分组变量进行分组。

计算公式SPSS单样本T检验：检验某个变量的总体均值和某指定值之间是否存在显著差异。

统计的前提样本总体服从正态分布。

也就是说单样本本身无法比较，进行的是其均数与已知总体均数间的比较。

计算公式如下。

单样本T检验的零假设为H0总体均值和指定检验值之间不存在显著差异。

采用T检验方法，按照下面公式计算T统计量：如果相伴概率值P小于或等于用户设想的显性水平a，则拒绝H，可以认为总体均值和检验值之间存在显著性差异独立样本是指两个样本之间彼此独立没有任何关联，两个独立样本各自接受相同的测量，研究者的主要目的是了解两个样本之间是否有显著差异存在。

这个检验的前提如下。

1、两个样本应是互相独立的，即从一总体中抽取一批样本对从另一总体中抽取一批样本没有任何影响，两组样本个案数目可以不同，个案顺序可以随意调整。

1、两个总体应该服从正态分布。

2、T验的零假设H0为两总体均值之间不存在显著差异。

具体的计算中需要通过两步来完成：第一，利用F检验判断两总体的方差是否相同；第二，根据第一步的结果，决定T统计量和自由度计算公式，进而对T检验的结论作出判断SPSS采用Levene F方法检验两总体方差是否相同。

（1）两总体方差未知且相同情况下，T统计量计算公式为（2）两总体方差未知且不同情况下，T统计量计算公式为T统计仍然服从T分布，但自由度采用修正的自由度，公式为从两种情况下的T统计量计算公式可以看出，如果待检验的两样本均值差异较小，t值较小，则说明两个样本的均值不存在显著差异；相反，t值越大，说明两样本的均值存在显著差异。

SPSS：T检验、方差分析、非参检验、卡方检验的使用要求和适用场景一、T检验1.1 样本均值比较T检验的使用前提1.正态性；（单样本、独立样本、配对样本T检验都需要）2.连续变量；（单样本、独立样本、配对样本T检验都需要）3.独立性；（独立样本T检验要求）4.方差齐性；（独立样本T检验要求）1.2 样本均值比较T检验的适用场景1.单样本T检验（比较样本均数和总体均数）；2.操作：打开分析—比较均值—单样本t检验要求：正态性（可以用K-S检验法，在SPSS中的“分析”–“非参数检验”—“单样本”中；或者直接根据直方图、P-P图，Q-Q图来观察或根据偏度峰度法来分析）说明：由中心极限定理可知，即使原数据不符合正态分布，只要样本量足够大时样本均数分布仍然是正态的。

只要数据不是强烈的偏正态，没有明显的极端值，一般而言单样本t检验都是可以使用的，分析结果都是稳定的。

3.独立样本T检验（比较成组设计的两个样本）；4.操作：打开分析—比较均值—独立样本t检验5.我们输入数据的时候，两个样本的数据是要在一列变量里的，另外还有一列二分类变量为这列因变量做标注。

要求：独立性、正态性（对正态性有耐受性）、方差齐性（影响大，检验更有必要，使用Levene’s检验，两样本T检验中提供Levene’s检验，如需更详细的检验结果可在“分析”–“描述统计”–“探索”中进行）说明：各样本相互独立，且均来自于正态分布的样本，各样本所在总体的方差相等；* 疑问：独立性怎么检验？有些数据可以根据现实环境判断；*6.配对样本T检验（如用药前和用药后的两个人群的样本、同一样品用两种方法的比较）7.操作：打开分析—比较均值—配对样本t检验要求：正态性（配对样本等价于单样本T检验，检验的是两个样本对应的差值，初始假设为差值等于0）二、单因素方差分析2.1 单因素方差分析的基本思想•基本思想：变异分解，总变异=随机变异+处理因素导致的变异，又可以分解为总变异=组内变异+组间变异，F=组间变异/组内变异，F 的值越大，处理因素的影响越大。

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(probabilitydistribution)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。