spss中有关独立样本T检验的详细介绍（包含操作过程和结果分析）

SPSS学习记录day2

---

写在前面： 在上一篇里我们介绍了SPSS软件中平均值和单样本T检验两种比较平均值的方法，今天来介绍剩下的几个比较平均值的检验操作

分析>比较平均值

3.独立样本T检验

独立样本T检验类似于单样本T检验，不过独立样本T检验的内容比单样本T检验要复杂的多，特别是对其结果的分析，而独立样本T检验被使用的情况也比单样本T检验更广泛（因此也可以看到网络上关于独立样本T检验的文章远比关于单样本T检验的文章多）

对比：二者都是将数据的平均值进行比较，不同之处在于单样本T检验是将一个样本与某一特定值进行对比，而独立样本T检验是对多个样本之间的平均值进行对比。

独立样本是指进行对比的多个样本之间是相互独立、互不干扰的，通过独立样本T检验我们可以判断多个样本之间的平均值是否可以认为是相等的。
没有什么比举个例子更容易理解独立样本T检验的用途了：假如我们有两个样本，分别是来自农村和城市两个不同地方的人们的身高数据，我们的目的是探讨农村和城市的差异会不会给当地的人们带来身高上的影。这时我们算出城市的人群的平均身高为168.38cm，而农村的人们的平均身高为164.58cm，二者差了3.8cm，那我们是否就可以认为这3.8cm就可以很好的说明农村和城市的人们身高有差异呢？那如果是差了3cm呢？如果是差了1cm呢？这种时候就不可以单靠感觉来评判了，而是应该使用独立样本T检验来帮助我们判断得出结论

检验变量——需要进行平均值比较的数据
分组变量——用于区分不同样本的变量
选项——选择置信区间百分比以及缺失值的处理方法

对于分组变量我们操作时需要注意一下，在我们选入了分组变量后，我们必须要对其进行定义组操作，因为SPSS无法自行判断如何通过分组变量对数据进行分组
点击定义组

我们有两种分类的方法，分别是使用指定的值与分割点，指定值就是将所有分类变量等于该输入的数值的样本划分为一组，分割点就是以该输入的数值为分割点划分出大于和小于该值的两组进行比较，这些都是很简单的，不多废话了~~
接下来就是重头戏了——对结果的分析

简洁解释：

得到结果后，首先将独立样本检验表格中莱文方差等同性检验的显著性数值与0.05进行比较

1. 大于0.05，两组假定等方差，看第一行数据的显著性（双尾） 数值，如果大于0.05，两组差异不显著；如果小于0.05，两组差异显著；
2. 小于0.05，两组不假定等方差，看第二行数据的显著性（双尾） 数值，如果大于0.05，两组差异不显著；如果小于0.05，两组差异显著。

在本例子中，首先看莱文方差等特性检验的显著性，0.424远大于0.05，认为两组假定等方差，看第一行，显著性（双尾）0.478远大于0.05，两组平均值差异不显著，所以得出农村与城市人们的平均身高并无显著差异，即农村与城市与人民身高的影响并不大。

详细解释 （可看可不看） ：

• 第一个表格里展示了一些数据的基本特征（个案数、平均值、标准差、平均值的标准差）
• 第二个表格：对于独立样本T检验，它其实并不仅仅只是对两组数据的平均值进行了比较分析，在这之前，SPSS还先进行了对样本数据的方差分析，通俗点讲就是如果你只是简单比较两组样本数据的平均值而不管其他特征，你得出的结果并不一定准确。
  我们从另一个角度来分析以尽量通俗易懂——

1. 我们进行独立样本T检验的最终目的是“比较两组样本数据的平均值是否确实存在有差异”，首先，如果两组样本数据不存在差异，那我们是不是就可以认为它们来自于同一个数据总体，它们之间的差距只不过是由抽样所造成的误差？
2. 那么，我们来考虑以下两种方差不同的数据总体，对于方差大的数据总体，它的数据波动就更大，那么从这一数据总体中抽取的两组样本数据的平均值也会相差更大；对于方差小的数据总体，它的数据分布更集中，所以抽取的两组样本数据的平均值也会更加接近。由此可知方差大小对平均值的判断有很大的影响~
3. 因此我们需要事先根据样本判断两组数据方差是否相等（即表格中的假定等方差、不假定等方差），再选择采取不同的方法判断两组数据的平均值是否相等，而表格中的显著性就是我们判断的依据，这就是莱文方差等同性检验的意义
4. 表格里的第二部分平均值等同性T检验的内容与上篇单样本检验结果内容基本一致，这里就不再赘述了，大家自行翻看上一篇内容就好

---

参考：为什么双样本独立T检验需要进行方差齐次性检验？、Levene检验、如何解读独立样本T检验的结果