T检验的操作步骤

2.把各维度前后测均分选入成对变量
看sig的数值，小于0.000即差异显著
序号（Ordinal）变量：通常也称为有序分类变量，表示变量的值是离散的，相对有限个数的，但值之 间是有顺序关系的，如教育水平取值有：1 — 8 年，2 — 10 年，3 — 15 年，这些值之间存在顺序大 小关系。“序号”一般是用来定义等级差别的，例如对某个餐厅满意度，就可以用序号来表示，1、2和 3分别代表满意，一般和不满意。
5.输入已经打好分的数据
信效度
1.两个人同时进行打分
2.分别计算出两个人各维度的均分
3.分析—度量—可靠性分析
4.结果
实验组和控制组幼儿美术核心素养前测各维度差异比较
1.计算各维度平均分
2.分析—比较均值—独立样本T检验
3.将3个维度选入检验变量，将“班级”选入到“分组变量”中；同时点击 “定义组”按钮，在“使用指定值”下“组1”文本框中填入“1”，“组 2”文本框中填入“2”（因为我们的数据中“1”代表实验组，“2”代表 对照组）
“均值”和“标准差”在论文中的表示方法是“M±SD”（均数 加减标准差）
划线部分大于0.05，那么T、P值取第一行数值，即T=-0.85,P=0.40， P大于0.05，说明图像识读维度上，实验组和控制组没有显著差异。 如对样本T检验
实验组前后测对比：1.输入前测和后测分数，算出前后测均分
建模
1.编辑变量视图：用于管理变量的属性，包括变量名称，类型，标签，缺失 值，度量标准等属性。
2.在标签一栏填上对应的问卷题目
3.编辑值标签，在“值”一栏输入数值，在“标签 ”一栏输入问卷评分原则
4.度量标准
度量（Scale）变量：通常也称为连续变量，表示变量的值通常是连续的，无界限的，如员工收入，企 业销售额等。“度量”则表示可以不仅可以进行排序而且还能对结果进行加减的一种属性，例如“职工 收入”，“体重”等等。

（2）t检验结果：t=4.027， υ=7，双侧检验P=0.04 <0.05， 因此拒绝H0，接受H1，认为二组差异有统计学意义，即：两种 饲料喂养的大白鼠肝中维生素A含量差别有统计学意义。
三、两独立样本资料t检验
(Indepandent-Sample ｔ Test)
【原理】
适用于完全随机设计两样本均数的比较。
上机练习 建议大家自己建数据库
答案： 练习4-1
练习4-2
练习4-3
①菜单选择：Analyze—> Compare Means—> Paired Sample T Test进入配对样本 资料t检验模块。
②将分析变量“normal和 treatment”同时选入Current Selections，点击向右箭头 进入Paired Variables—> OK，运行结果。
（2）两独立样本t检验：
①Analyze—> Compare Means—>Independent Sample T Test进入两独立样 本资料t检验模块。
②分析变量（weight）选入Test Variable(s)的变量列表中—> 将分组变量(group)选入 Grouping Variable中。
3. 主要输出结果
（1）正态性检验输出结 果：给出正态性检验 统计量Z值，双侧检验 P值。
（2）t检验输出结果：给出单样本t检验的统计量， 自由度，双侧检验P值，以及样本均数与总体均数 的差值，差值95%置信区间。

4. 结果解释： （1）正态性检验结果：Z=0.598，P=0.868>0.05，
②将分析变量“浓度”选入 Test Variable List的变量 列表中，选中 “Normal”—>OK

配对样本t检验，史上最完整SPSS操作教程！⼀、问题与数据研究者想验证⼀种新型运动饮料配⽅是否有助于提⾼⼈们的跑步距离。

传统饮料配⽅为纯碳⽔化合物，⽽新型饮料为碳⽔化合物-蛋⽩质混合物。

为了⽐较两种运动饮料对⼈们跑步距离的影响差异，研究者招募了20名受试者，每⼈进⾏2项试验，每项试验受试者均在跑步机上运动2⼩时。

2项试验中，同⼀受试者跑步前分别喝含纯碳⽔化合物饮料和碳⽔化合物-蛋⽩质混合饮料。

同时，均衡所有受试者进⾏2项试验的先后顺序，使⼀半⼈先喝纯碳⽔化合物饮料，另⼀半⼈先喝碳⽔化合物-蛋⽩质混合饮料，分别记录其跑步距离。

碳⽔化合物饮料组的跑步距离记为carb变量，碳⽔化合物-蛋⽩质饮料组的跑步距离记为carb_protein变量。

研究者想知道，是否2组的跑步距离有差异，即2种运动饮料对⼈们跑步距离的影响不同。

从变量层⾯上，也就是看是否carb变量和carb_protein变量的均数存在差异（部分数据如下图）。

展开剩余95%⼆、对问题的分析研究者想探索是否2个相关（配对）组别间的因变量均数存在差异，可以使⽤配对样本t检验。

使⽤配对样本t检验时，需要考虑4个假设：假设1：因变量为连续变量；假设2：⾃变量包含2个分类、且相关（配对）⾮独⽴的组别；假设3：2个相关（配对）组别间的因变量差值没有明显异常值；假设4：2个相关（配对）组别间的因变量差值近似服从正态分布。

那么进⾏配对样本t检验时，如何考虑和处理这4个假设呢？三、思维导图（点击图⽚可查看⼤图）四、对假设的判断假设1：因变量为连续变量；假设2：⾃变量包含2个分类、且相关（配对）⾮独⽴的组别。

和研究设计有关，需要根据实际情况进⾏判断。

假设3：2个相关（配对）组别间的因变量差值没有明显异常值。

对于配对样本t检验，异常值和正态性的假设检验都是基于2组间配对数值的差值进⾏的。

因此，我们⾸先需要计算2组因变量的差值，并把它作为⼀个新变量储存，变量名为difference，具体操作如下：1. 在主菜单栏中点击Transform > Compute Variable...：出现Compute Variable对话框：2. 在Target Variable:模块中输⼊difference，即为新创建的变量名；在Numeric Expression:模块中输⼊carb_protein – carb，即为2个配对组别间的因变量差值（也可以直接从左侧中部变量框中挑选变量进⼊Numeric Expression:模块，并选择中间的运算符号和数字进⾏运算）：本例为⽤carb_protein变量值减去carb变量值，此顺序与研究设计和研究⽬的有关，通常⽤实验组的数值减去对照组的数值。

下肢爆发力训练是否能提高弹跳能力的研究——配对样本T检验邱志斌（西北师范大学教育学院09级心理系 200941000125）[摘要] 为了检验某发展下肢爆发力的训练方法是否有效？现抽取20名某大学的学生进行了为期3个月的发展腿部爆发力的训练，运用实验的方法在训练前后分别测试了每一人的立定跳远成绩。

统计20名学生训练前后的数据,再用配对T检验（Paired Samples T Test）对前后所收集数据的平均数进行差异显著性检验,进而推断该训练方法是否有效。

由配对样本T检验的结果表明该训练方法确实能提高学生的弹跳能力。

[关键词] 训练差异推断配对样本Ｔ检验1.1、问题的提出在生活中经常会遇到这样的问题,如某种教学方法是否对教学有效,也就是确实能提高学生成绩;某种训练是否对接受训练的人的某一身体机能有改善作用;或者某一种药物对某种病的治疗是否有效果等等,针对以上问题,我们通常就会采取统计学中的配对样本T检验的方法进行分析。

例如：某体育教学组织最新研究出了一种训练下肢爆发力的方法，如何才能知道该训练方法是否能提高学生的下肢爆发力呢？1.2、配对样本T检验介绍配对样本T检验通常可分为以下两种情形：1.2.1、同源配对也就是同质的被试分别接受两种不同的处理。

例如：为了验证某种记忆方法对改善儿童对词汇的记忆是否有效？先随机抽取40名学生，再随机分为两组。

一组使用该训练方法，一组不使用，三个月后对这两组的学生进行词汇测验，得到数据。

问该训练方法是否对提高词汇记忆量有效？1.2.2、自身配对（1）某组同质被试接受接受两种不同的处理。

例如：抽取一个班的同作为被试，分别测验他们的简单视觉反应时和简单听觉反应时。

试问他们的简单视觉反应时和简单听觉反应时是否存在差异？（2）某组同质被试接受处理前后是否存在差异。

例如：某公司推广了一种新的促销方式，实施前和实施后分别统计了员工的业务量，得到数据。

试问这种促销方式是否有效？1.3、配对样本T检验注意事项在配对样本T检验中，强调被试一定要同质，其目的就为了消除目的是额外变量的影响，更能反映自变量和因变量之间的关系。