图2.5 独立样本t检验Define Groups 对话框
6、分析输出结果并对结果作出分析见表2.3。
表2.3（a）Group Statistics分组统计描述表
综合得分
性别 男 女 N 10 7 Mean 105.40 109.57 Std. Deviation 34.394 23.143 Std. Error Mean 10.876 8.747 表2.3（b）独立样本的均值比较检验表
方差齐性检验 Levene's Test for Equality of Variances P值 综合得分 Equal variances assumed Equal variances not assumed -.299 14.997 .769 -4.17 13.957 -33.922 25.579 1.445 .248 -.278 15 .784 -4.17 14.980 -36.101 27.758 F值 Sig. 统计量t 自由度 df 均值相等的t检验 t-test for Equality of Means 均值差P值 Sig. (2-tailed) Mean Difference 标准差 Std. Error Difference 95%的置信区间 95% Confidence Interval of the Difference Lower Upper 检验表2.3(a) 基本统计表，检验表2.3（b）第三列和第四列是检验两样本数据的方差是否相等，从检验结果得知两样本的方差没有显著差异。从第五列开始是对两个样本的均值的是否相等进行检验。从假设检验的P值看出，它大于显著性水平0.05，所以说男女之间的机械能力之间并无显著差异，因此接受原假设H0。而第八列之后分别是均值差、均值差标准误、均值差的置信区间。
§2.2.2 两个有联系总体间的均值比较（Paired-Sample T Test）
Paired-Sample T Test是检验两个有联系正态总体的均值是否存在显著的差
异。又称配对样本的 t 检验。经常用于生物、医药、农业、工业等多个行业。如检验某种药品使用的效果是否显著，需要对使用者使用前后进行比较；再如对某种粮食进行品种改良，也需要比较改良前后粮食产量有无显著差异等。 例3：某企业对生产线上的工人进行某种专业技术培训，要对培训效果进行检验，从参加培训的工人中抽取30人，将他们培训前后的数据每加工500个零件的不合格品数进行对比，得到数据表见表2.4。试根据表中数据检验培训前后工人的平均操作技术水平是否有显著提高，也就是检验培训效果是否显著。
表 2.4 工人培训前后不合格品数据表
序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 培训前 2 3 3 4 4 4 培训后 0 1 2 1 1 2 序号 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 培训前 6 6 6 6 6 6 6 6 6 6 7 7 7 7 8 培训后 4 2 2 2 4 3 3 3 3 3 3 3 4 4 3 4 4 5 5 5 5 5 5 5 2 3 2 2 3 3 2 3 3 解：这显然是配对样本均值的假设检验的问题。所以要建立假设：
H0：培训前后工人的技术水平没有显著差异； H1：培训前后工人的技术水平有显著差异；
根据表2.3建立数据文件SY-5，根据中心极限定理，在大样本的情况下，样本均值近似地服从正态分布。所以可以利用正态参数的检验方法进行均值的检验。其检验过程的具体操作步骤为：
1、单击Analyze ?Compare Means ? Paired-Sample T Test，打开Paired-Sample T Test主对话框如图2.6。
2、选择要检验的两变量进入检验框中，注意，一定要选择两个变量进入检验框内，否则将无法得到检验结果。
3、由Option选择按纽确定置信度值95％和缺失值的处理方式。 4、点击OK得输出结果。
5、根据输出结果作出结论如表2.5所示。
图2.6 配对样本的t检验主对话框
表2.5（a） Paired Samples Statistics 样本统计量分析
样本容量
Pair 1
培训前 培训后
Mean
5.30 2.53
N
30 30
标准差 Std. Deviation
1.368 .973
均值标准误 Std. Error Mean
.250 .178
表 2.5(b) Paired Samples Test 配对样本均值差检验表
检验统 Std. Pair 1 培训前 - 培训后 Mean 2.77 Deviation .935 Paired Differences 95% Confidence Std. Error Mean .171 Interval of the Difference Lower 2.42 Upper 3.12 16.203 29 .000 计量t 自由度 P值（双尾）Sig. df (2-tailed)
由上表2.5（b）中的检验结果知，假设检验的P值小于0.05，因此可以得出
培训前后的差异是显著的，故拒绝假设H0，接受假设H1，认为培训的效果是显著的。
§2.3 单因素方差分析
单因变量的单因素方差分析主要解决多于两个总体样本或变量间均值的比较问题。是一种对多个（大于两个）总体样本的均值是否存在显著差异的检验方法。其目的也是对不同的总体的数据的均值之间的差异是否显著进行检验。单因素方差分析的应用范围很广，涉及到工业、农业、商业、医学、社会学等多个方面。
? 单因素方差分析的应用条件：在不同的水平（因素变量取不同值）下，
各总体应当服从方差相等的正态分布。 例4，某企业需要一种零件，现有三个不同的地区的企业生产的同种零件可供选择，为了比较这三个零件的强度是否相同，每个地区的企业抽出6件产品进行强度测试，其值如表2.6所示。假设每个企业零件的强度值服从正态分布，试检验这三个地区企业的零件强度是否存在显著差异。 解：首先建立假设H0：三个地区的零件强度无显著差异；
H1：三个地区的零件强度有显著差异。
然后根据表2.6中数据，建立数据文件SY-6并进行单因素方差（One-Way ANOVA）分析。具体操作过程如下：
表2.6 样本零件强度值 单位：百公斤 强 样 度 本 1 2 3 4 5 6 116 98 100 115 83 105 110 103 118 106 107 116 89 85 99 73 97 102 地 区 1 2 3
1、单击Analyze ? Compare Means ? One-Way ANOVA，打开 One-Way ANOVA对话框。
图 2.7 单因素方差主对话框
2、从左框中选择因变量”零件强度”进入Dependent list框内，选择因素
相关推荐：
loading