配对t检验相关性 spss配对t检验相关性

配对t检验，是单样本t检验的特例。

配对t检验，是单样本t检验的特例。配对t检验：是采用配对设计方法观察以下几种情形：

配对t检验相关性 spss配对t检验相关性

1.配对的两个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的结果进行比较（即自身配对）；

4.同一对象的两个部位给予不同的处理。

成组t检验，也称两独立样本资料的t检验，适用于完全随机设计的两样本均数的比较。将受试对象随机分配成两个处理组，每一组随机接受一种处理。

拓展资料：

T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准σ未知的正态分布。

t检验是用t分布理论来推论异发生的概率，从而比较两个平均数的异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的。

戈斯特在位于都柏林的健力士酿酒厂担任统计学家，基于Claude Guinness聘用从牛津大学和剑桥大学出来的的毕业生以将生物化学及统计学应用到健力士工业程序的创新政策。戈斯特于1908年在Biometrika上公布t检验，但因其老板认为其为商业机密而被迫使用笔名（学生）。实际上，跟他合作过的统计学家是知道“学生”的是戈斯特的。

当总体呈正态分布，如果总体标准未知，而且样本容量 <30，那么这时一切可能的样本平均数与总体平均数的离统计量呈t分布。

检验是用 分布理论来推论异发生的概率，从而比较两个平均数的异是否显著。 检验分为单总体 检验和双总体检验。

单总体t检验

单总体 检验是检验一个样本平均数与一已知的总体平均数的异是否显著。当总体分布是正态分布，如总体标准未知且样本容量 <30，那么样本平均数与总体平均数的离统计量呈正态分布。

2.双总体t检验

双总体 检验是检验两个样本平均数与其各自所代表的总体的异是否显著。双总体检验又分为两种情况，一是相关样本平均数异的显著性检验，用于检验匹配而成的两组被试获得的数据或同组被试在不同条件下所获得的数据的异性，这两种情况组成的样本即为相关样本。二是独立样本平均数的显著性检验。

各实验处理组之间毫无相关存在，即为独立样本。该检验用于检验两组非相关样本被试所获得的数据的异性。

参考资料：

spss配对样本t检验结果分析

你做了3次相关样本t检验

个表是描述性统计量，有平均数、样本量、标准、标准误

第二个表是相关系数，都不相关

第3个表是相关t检验的结果，关键看3列，t值、自由度、p值。你没有列出p值，只看到自由度都是23。p值小于0.05就是异显著了

补充回答：

你的3对比较都存在极其显著的异，因为sig.(2-tailde)（这个就是p了）都小于0.01了。

spss教程：两配对样本t检验

今天来给大家分享一个spss教程：两配对样本t检验

方法

1/4

首先需要输入数据，t检验数据的输入格式为区别为一列，数值为一列。

请点击输入图片描述

2/4

在菜单上找到分析，在下拉菜单里点击比较均值，然后点击配对样本 T检验

请点击输入图片描述

3/4

配对样品T检验中，置信区间默认的百分比是95%

请点击输入图片描述

4/4

表格一是对数据的基本描述。

请点击输入图片描述

配对t检验和两独立样本t检验的区别

配对样本t检验和独立样本t检验的区别在于样本相关性。

t检验：

t检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准σ未知的正态分布。

t检验是用t分布理论来推论异发生的概率，从而比较两个平均数的异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的,并于1908年在Biometrika上公布。

注意事项：

1、选用的检验方法必须符合其适用条件(注意：t检验的前提：1.来自正态分布总体；2.随机样本；3.均数比较时，要求两样本总体方相等，即具有方齐性)。理论上，即使样本量很小时，也可以进行t检验。（如样本量为10，一些学者声称甚至更小的样本也行），只要每组中变量呈正态分布，两组方不会明显不同。

如上所述，可以通过观察数据的分布或进行正态性检验估计数据的正态假设。方齐性的假设可进行F检验，或进行更有效的Levene's检验。如果不满足这些条件，可以采用校正的t检验，或者换用非参数检验代替t检验进行两组间均值的比较。

2、区分单侧检验和双侧检验。单侧检验的界值小于双侧检验的界值，因此更容易拒绝，犯第Ⅰ错误的可能性大。t检验中的p值是接受两均值存在异这个假设可能犯错的概率。在统计学上，当两组观察对象总体中的确不存在别时，这个概率与我们拒绝了该假设有关。

一些学者认为如果异具有特定的方向性，我们只要考虑单侧概率分布，将所得到t-检验的P值分为两半。另一些学者则认为无论何种情况下都要报告标准的双侧t检验概率。

3、假设检验的结论不能化。当一个统计量的值落在临界域内，这个统计量是统计上显著的，这时拒绝虚拟假设。当一个统计量的值落在接受域中，这个检验是统计上不显著的，这是不拒绝虚拟假设H0。因为，其不显著结果的原因有可能是样本数量不够拒绝H0，有可能犯第Ⅰ类错误。

4、正确理解P值与别有无统计学意义。P越小，不是说明实际别越大，而是说越有理由拒绝H0，越有理由说明两者有异，别有无统计学意义和有无专业上的实际意义并不完全相同。

5、假设检验和可信区间的关系结论具有一致性异：提供的信息不同区间估计给出总体均值可能取值范围，但不给出确切的概率值，假设检验可以给出H0成立与否的概率。

6、涉及多组间比较时，慎用t检验。科研实践中，经常需要进行两组以上比较，或含有多个自变量并控制各个自变量单独效应后的各组间的比较，（如性别、物类型与剂量），

此时，需要用方分析进行数据分析，方分析被认为是t检验的推广。在较为复杂的设计时，方分析具有许多t-检验所不具备的优点。（进行多次的t检验进行比较设计中不同格子均值时）。

spss-配对样本t检验

目录

（一）适用情况

（二）spss作及结果

（1）数据

（2）spss作

（3）结果

（一）适用情况

（1）两样本总体正态分布，两样本总体方未知

（二）spss作及结果

（1）数据：

与独立样本t检验不同，配对样本t检验，两变量个案数一定相同。

本例中某19位同学的部分语文和数学成绩如下（该数据非真实数据）

（2）spss作：

分析-比较平均值-成对样本t检验

放入变量1和变量2-点击确定

（3）结果：

配对样本统计表可看出语文均值96，数学均值124，个案共计19名。

配对样本相关性表可看出两变量相关性为0.592，且为负相关，相关关系显著（P=0.008<0.01)。

配对样本t检验表可以看到，t值为-3.539，显著性P值为0.002<0.01，由此可见，本例中被试的语文和数学成绩不仅具有显著的负相关，而且具有显著性异，从值95%置信区间不包含0也可以看出两变量之间具有显著性异。此外，两变量平均值相28.68，标准偏为35.33，自由度为18。