分組 t 檢驗和配對 t 檢驗有什麼區別？

1.適用條件不同

1. 組 t 檢驗。

適用於非配對設計或組設計中兩個樣本均值之差的顯著性檢驗;

非配對設計或組設計，其中當僅進行兩種治療的試驗時，試驗單位完全隨機分為兩組，然後將一種治療隨機應用於兩組。

兩組的測試單元相互獨立，得到的兩個樣品相互獨立，其含量不一定相等。

每組資料近似呈正態分佈。

或大樣本），如果滿足方差均勻性，則可以使用分組 t 檢驗。

2.配對t檢驗適用於配對設計中兩個樣本均值之差的顯著性檢驗。

以下情況適用：

1）同一樣品接受不同處理的比較;

2）同一受試者治療前後的比較;

3）受試者與病情相近的受試者配對，分別給予兩種不同的治療方法，觀察兩種治療方法的效果。

其次，檢驗假設不同。

1.群t檢驗h0的無效假設：1=2;

替代假設 h1：1 不等於 2。

2. 配對設計資料的假設檢驗。

它可以看作是樣本均值與總體均值 d=0 的比較。

h0：d=0（即差值的總均值為0）;

H1：D 不為 0（即差值的總平均值不為 0）。

三是計算公式不同。

1. 組t檢驗t值的計算公式：

2. 配對 t 檢驗 t 值的計算公式：

四是檢測效率不同。

1.當樣本數相同時，測量資料的分組檢驗效率低於配對t檢驗。

2、當樣本案例數相同時，配對t檢驗效率高; 由於採用配對方法，匹配了一些對實驗結果有影響的因素（如性別、體重等），從而消除了這些因素造成的干擾，減少了誤差。

配對 t 檢驗是單樣本 t 檢驗的特例。 配對t檢驗：是利用配對設計方法觀察以下情況，1

兩個配對的受試者接受了兩種不同的治療; 2.同一受試者接受了兩種不同的治療; 3.比較同一受試者治療前後的結果（即自配對）; 4.

同一主題的兩個部分被區別對待。

分組 t 檢驗，也稱為兩個獨立樣本的 t 檢驗，適用於完全隨機比較兩個樣本的均值。 受試者被隨機分配到兩個治療組，每組隨機接受一次治療。

為什麼我們需要 t 檢驗？

t 檢驗比較不同資料的平均值，以檢視兩組資料之間是否存在差異。 可分為單樣本t檢驗、配對樣本t檢驗和獨立樣本t檢驗三種型別。

獨立樣本t檢驗用於分析定性和定量資料分布之間的關係。 例如，研究人員想知道兩組之間的平均智商是否存在顯著差異。 t檢驗僅比較兩組資料之間的差值，如果有三組或更多組，則使用方差分析。

如果只有兩組，建議使用樣本量小（低於 100）的 t 檢驗和方差分析。

資料格式：<>

獨立樣本 t 檢驗是對兩組資料之間差異的研究，例如性別之間的滿意度差異。 資料格式需要有組 x（例如，性別）和分析項 y（例如，滿意度）。

有時資料格式只有 2 列，沒有組，例如實驗組和對照組。 然後需要對資料進行轉換，自己新增一列'groups'，然後對資料進行重疊，得到分析項y，如下圖所示：

SPSSAU操作：

配對 t 檢驗，用於比較配對定量資料之間的差異。 例如，在兩種背景情況下（有廣告和無廣告）; 樣品的購買意向有否顯著差異; 配對 t 檢驗通常用於實驗研究。

配對資料的格式比較特殊，包括配對t檢驗，或配對卡方等。 例如，實驗組和對照組資料的差異。 如下圖所示：

SPSSAU操作：

在“通用方法”模組中，選擇“配對T檢驗”方法，將Pair 1（定量）放在上方的分析框中，將Pair 2（定量）變數放在下方的分析框中，然後單擊“開始分析”。

單樣本t檢驗用於分析定量資料是否與某個數字有顯著差異，如五級量表，其中3分代表中立態度，單樣本t檢驗可用於分析樣本的態度是否明顯不中立; 預設情況下，系統使用 0 的分數進行比較。

單樣本 t 檢驗分析的結果。

t 檢驗。 就是比較兩組資料的差異，是否有統計學意義; t 檢驗的前提是兩組資料都來自正態分佈。

資料的方差是均勻的，並且滿足獨立性。

獨立樣本 t 檢驗（即，如果實驗治療組之間沒有相關性，則為獨立樣本）用於檢驗兩組不相關的樣本受試者獲得的資料差異。

獨立樣本 t 檢驗統計量為：

S1 和 S2 是雙樣本方差。

n 和 n 是兩個樣本量。

t檢驗比較兩組資料之間的差異，看看是否存在統計學意義; t檢驗的前提是兩組資料來自正態分佈的總體，並且資料的方差是均勻的，滿足獨立性。

獨立樣本t檢驗（實驗治療組之間沒有相關性，家庭搜尋是獨立樣本），用於檢驗兩組無關樣本受試者獲得的資料差異。

配對t檢驗的適用條件如下：

1.獨立性，觀測值相互獨立，不能相互影響。

2.正態性，每個樣本來自正態分佈的總體。

3.方差的同質性，每個樣本所在的總體的方差相等。

t檢驗是通過比較不同資料的均值來調查兩組資料之間是否存在顯著差異。 配對樣本 T 檢驗：對配對樣本進行均值比較，即配對 t 檢驗。

配對樣本或非獨立樣本實際上只有乙個樣本，但樣本中的每個個體都經過兩次研究。 樣本的順序是一對一的。

t檢驗主要分類。

t檢驗可分為單種群檢驗、雙種群檢驗和配對樣本檢驗。 單總體 t 檢驗檢驗樣本均值與已知總體均值之間的差值是否顯著。 當總體分布呈正態分佈時，如果總體標準差未知且樣本數量小於 30，則樣本均值和總體均值之間的離散統計量為 t 分布。

雙總體的 t 檢驗是檢驗兩個樣本的均值是否與它們所代表的總體存在顯著差異。 雙群體t檢驗分為兩種情況，一種是獨立樣本t檢驗（實驗治療組之間沒有相關性，即獨立樣本），另一種是配對樣本t檢驗。

結果如下：

當統計量的值落在臨界域內時，統計量具有統計顯著性，並且虛擬假設被拒絕。 當統計量的值落在接收域中時，檢驗在統計上不顯著，這不會否定虛擬假設 h0。 因為，盯著無關緊要的答案的結果的原因可能是樣本量不足以拒絕h0，並且有可能犯第一種型別的錯誤。

正確理解 p 值。

以及差異是否具有統計學意義。 p越小，並不意味著實際差異越大，而是賣、賣、棄h0的理由越多，就越有理由表明兩者之間存在差異，差異是否具有統計學意義，是否具有專業實踐意義也不完全相同。

最常用t 檢驗。 這些案例是：

1.單樣本檢驗：檢驗正態分佈。

總體均值是否滿足原假設。

例如，測試一組男軍校學生的平均身高是否符合170厘公尺的國家標準。

2.雙樣本檢驗：原假設是兩個正態分佈人群的均值之差為某個實數，例如，檢驗兩組人的平均身高是否相等。 該測試通常稱為學生 t 檢驗。

但更嚴格地說，只有當兩個總體的方差相等時，才稱為學生t檢驗; 否則，它有時被稱為韋爾奇檢驗。