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。 我们约会吧2013
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 (probability distribution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。
律师执业管理办法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。
与统计学家建立的以 「总体中没差别」 作基础的随机变量 t 分布进行比较, 看看 在多少 %的机会 (亦即显著性 sig 值 下会得到目前的结果。
若显著性 sig 值很少,比如 <0.05(少於 5%机率 ,亦即是说,「如果」总体「真
的」 没有差别, 那麼就只有在机会很少 (5%、 很罕有的情况下, 才会出现目前这 样本的情况。虽然还是有 5%机会出错 (1-0.05=5%,但我们还是可以「比较有信 心」 的说:目前样本中这情况 (男女生出现差异的情况 不是巧合, 是具统计学意 义的, 「总体中男女生不存差异」的虚无假设应予拒绝,简言之,总体应该存在 著差异。
每一种统计方法的检定的内容都不相同,同样是 t-检定,可能是上述的检定总 体中是否存在差异, 也同能是检定总体中的单一值是否等於 0或者等於某一个数 值。
至於 F-检定,方差分析 (或译变异数分析, Analysis of Variance,它的原理 大致也是上面说的, 但它是透过检视变量的方差而进行的。 它主要用于:均数差 别的显著性检验、 分离各有关因素并估计其对总变异的作用、 分析因素间的交互 作用、方差齐性 (Equality of Variances
检验等情况。
3, T 检验和 F 检验的关系
t 检验过程,是对两样本均数 (mean差别的显著性进行检验。惟 t 检验须知道两 个总体的方差 (Variances是否相等; t 检验值的计算会因方差是否相等而有所 不同。也就是说, t 检验须视乎方差齐性 (Equality of Variances结果。所以, SPSS 在进行 t-test for Equality of Means 的同时,也要做 Levene's Test for Equality of Variances 。
1.
在 Levene's Test for Equality of Variances 一栏中 F值为 2.36, Sig. 为 .128, 表示方差齐性检验「没有显著差异」,即两方差齐 (Equal Variances,故下面 t 检验的结果表中要看第一排的数据,亦即方差齐的情况下的 t 检验的结果。
erd2.
在 t-test for Equality of Means 中, 第一排 (Variances=Equal的情况:t=8.892, df=84, 2-Tail Sig=.000, Mean Difference=22.99
既然 Sig=.000,亦即,两样本均数差别有显著性意义!
3.
到底看哪个 Levene's Test for Equality of Variances一栏中 sig, 还是看 t-test for Equality of Means中那个 Sig. (2-tailed啊 ?
答案是:两个都要看。
先看 Levene's Test for Equality of Variances,如果方差齐性检验「没有显 著差异」,即两方差齐 (Equal Variances,故接著的 t 检验的结果表中要看第 一排的数据,亦即方差齐的情况下的 t 检验的结果。
反之,如果方差齐性检验「有显著差异」,即两方差不齐 (Unequal Variances , 故接著的 t 检验的结果表中要看第二排的数据, 亦即方差不齐的情况下的 t 检验 的结果。
4.
你做的是 T 检验,为什么会有 F 值呢 ?
就是因为要评估两个总体的方差 (Variances是否相等, 要做 Levene's Test for Equality of Variances,要检验方差,故所以就有 F 值。
另一种解释:
t 检验有单样本 t 检验,配对 t 检验和两样本 t 检验。
表面等离子体共振单样本 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 观察此组样本与总体的差异性。
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。
F 检验又叫方差齐性检验。在两样本 t 检验中要用到 F 检验。
德国马哈
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。
其中要判断两总体方差是否相等,就可以用 F 检验。
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。
简单来说就是实用 T 检验是有条件的, 其中之一就是要符合方差齐次性, 这点需要 F 检验来验证。
如何判定结果具有真实的显著性
在最后结论中判断什么样的显著性水平具有统计学意义,不可避免地带有武断 性。换句话说,认为结果无效而被拒绝接受的水平的选择具有武断性。实践中, 最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数 之间的两两 >比较,依赖于总体数据集里结论一致的支持性证据的数量,依赖于 以往该研究领域的惯例。通常,许多的科学领域
中产生 p 值的结果≤0.05被认 为是统计学意义的边界线, 但是这显著性水平还包含了相当高的犯错可能性。 结
果 0.05≥p>0.01被认为是具有统计学意义, 而 0.01≥p≥0.001被认为具有高度 统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。
所有的检验统计都是正态分布的吗
并不完全如此, 但大多数检验都直接或间接与之有关, 可以从正态分布中推导出 来,如 t 检验、 f 检验或卡方检验。这些检验一般都要求:所分析变量在总体中 呈正态分布, 即满足所谓的正态假设。 许多观察变量的确是呈正态分布的, 这也 是正态分布是现实世界的基本特征的原因。 当人们用在正态分布基础上建立的检 验分析非正态分布变量的数据时问题就产生了, (参阅非参数和方差分析的正态 性检验 。 这种条件下有两种方法:一是用替代的非参数检验 (即无分布性检验 , 但这种方法不方便, 因为从它所提供的结论形式看, 这种方法统计效率低下、 不 灵活。 另一种方法是:当确定样本量足够大的情况下, 通常还是可以使用基于正 态分布前提下的检验。 后一种方法是基于一个相当重要的原则产生的, 该原则对 正态方程基础上的总体检验有极其重要的作用。 即, 随着样本量的增加, 样本分 布形状趋于正
态,即使所研究的变量分布并不呈正态。里斯本战略
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议