发布时间：
SPSS是分析原始数据的，这里已经给出了平均数和标准差，就不需要用SPSS了，直接用T的计算公式，这个公式在很多统计学的书上都有，可以找来看看。至于显著性水平，上面已经给出来了，一颗星表示显著，两颗星表示非常显著。
spss独立样本t检验 p值和t值
T检验中的p值与两个独立样本的样本量大小、样本均值和方差有关。
由独立样本t检验，t值计算公式可知。
进行独立样本T检验，推荐使用SPSSAU，比SPSS更傻瓜简单的统计分析工具，随T检验分析表格输出智能文字分析建议和分析结果，帮助理解检验的结果。
两个步骤得出分析结果，小白也可以快速完成分析：
第一步：选中t检验分析方法
第二步将分析项拖拽到对应分析框内
输出结果。SPSSAU直接输出论文需要的三线表表格形式：
通过分析建议可以知道对T检验的分析结果的解读应该重点关注上表格中p值，，当P值小于或（根据实际研究而定），即呈现显著性差异，然后再对比平均值大小进行描述即可。
独立样本t检测包括两个检验：前一个是方差齐性检验（也就是Levene检验），后一个t检验。方差齐性检验是t检验的前提。所以看结果先看方差齐性检验结果。如自主学习动机这一项，方差齐性检验结果sig.值，也就是p值>，说明方差齐性（方差相等）。之后的结果全部都要看第一行，也就是假设方差相等这一行。对应的第一行的p值，第一行t值，仅供参考，祝好运！
是否存在显著差异,就是要把变量输进去,在spss中做统计分析.会马上输出结果,那个表就有p值和t值可以直接看的
你把各组30例原始数据拿来可以直接统计分析，你所给的数据不能分析。
统计中t值和p值的区别为：
1、t值，指的是T检验，主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
2、P值，就是当原假设为真时，所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。
p值代表的是不接受原假设的最小的显著性水平，可以与选定的显著性水平直接比较。例如取5%的显著性水平，如果P值大于5%，就接受原假设，否则不接受原假设。这样不用计算t值，不用查表。
3、P值能直接跟显著性水平比较；而t值想要跟显著性水平比较，就得换算成P值，或者将显著性水平换算成t值。在相同自由度下，查t表所得t统计量值越大，其尾端概率P越小，两者是此消彼长的关系，但不是直线型负相关。
扩展资料：
1、T检验的适用条件：
（1） 已知一个总体均数；
（2）可得到一个样本均数及该样本标准差；
（3） 样本来自正态或近似正态总体
2、P值数据解释：
参考资料：百度百科_P值百度百科_t检验
t=(样本平均值-总体平均值)/[标准差/√n]~t(n-1)求出t值后，查t值表，就可得到p值。
统计学中，P值是用来判定假设检验结果的一个参数。
如果P值很小，说明原假设情况的发生的概率很小，且P值越小，表明结果越显著。
为理解P值的计算过程，用Z表示检验的统计量，ZC表示根据样本数据计算得到的检验统计量值。
左侧检验 H0:μ≥μ0 vs H1:μ<μ0
P值是当μ=μ0时，检验统计量小于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值 = P(ZC≤Z|μ=μ0)
右侧检验 H0:μ≤μ0 vs H1:μ>μ0
P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值 = P(ZC≥Z|μ=μ0)
双侧检验 H0:μ=μ0 vs H1:μ≠μ0
P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值 = 2P(ZC≥|Z||μ=μ0)
扩展资料：
t检验主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。
单总体t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布，如总体标准差未知且样本容量小于30，那么样本平均数与总体平均数的离差统计量呈t分布。
双总体t检验又分为两种情况，一是独立样本t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差异性；一是配对样本t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差异性，这两种情况组成的样本即为相关样本。
参考资料来源：百度百科--t检验
你把各组30例原始数据拿来可以直接统计分析，你所给的数据不能分析。
统计中t值和p值的区别为：
1、t值，指的是T检验，主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
2、P值，就是当原假设为真时，所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。
p值代表的是不接受原假设的最小的显著性水平，可以与选定的显著性水平直接比较。例如取5%的显著性水平，如果P值大于5%，就接受原假设，否则不接受原假设。这样不用计算t值，不用查表。
3、P值能直接跟显著性水平比较；而t值想要跟显著性水平比较，就得换算成P值，或者将显著性水平换算成t值。在相同自由度下，查t表所得t统计量值越大，其尾端概率P越小，两者是此消彼长的关系，但不是直线型负相关。
扩展资料：
1、T检验的适用条件：
（1） 已知一个总体均数；
（2）可得到一个样本均数及该样本标准差；
（3） 样本来自正态或近似正态总体
2、P值数据解释：
参考资料：百度百科_P值百度百科_t检验
t是T检验的值 p是概率，p＜或p＜0、001最好，可以拒绝原假设，表明差异显著
1、t值
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），总体标准差σ未知的正态分布。
T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。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 。
2、P值
P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。
P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。
扩展资料
实用举例
1、t检验可用于比较男女身高是否存在差别
为了进行独立样本t检验，需要一个自（分组）变量（如性别：男、女）与一个因变量（如身高测量值）。根据自变量的特定值，比较各组中因变量的均值。用t检验比较下列男、女儿童身高的均值 。
假设
H0：男平均身高 = 女平均身高
H1：男平均身高 ≠ 女平均身高
选用双侧检验：选用α=的统计显著水平
2、P值
从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
如果P<，说明是较强的判定结果，拒绝假定的参数取值。
如果 如果P值>，说明结果更倾向于接受假定的参数取值。 参考资料来源：百度百科-t值 参考资料来源：百度百科-p值 P值其实就是按照抽样分布计算的一个概率值，这个值是根据检验统计量计算出来的。通过直接比较P值与给定的显著性水平a的大小就可以知道是否拒绝假设，显然这就代替了比较检验统计量的值与临界值的大小的方法。 而且通过这种方法，我们还可以知道在P值小于a的情况下犯第一类错误的实际概率是多少， P= < a= ，那么拒绝假设，这一决策可能犯错误的概率是。需要指出的是，如果P> a，那么假设不被拒绝，在这种情况下，第一类错误并不会发生。 T检验中的P值是接受两均值存在差异这个假设可能犯错误的概率。例如:如果零假设是两个总体的均值相等(u1= u2)，但是从相应的两个样本中所计算出的样本的均值不相等，有一定的“差异”。 如果根据这个“差异”值计算出p< ，那么就是说，如果零假设是正确的，即两个总体的均值相等，那么在样本的均值之间产生了像本例中这样大的差异的概率小于。 也就是说，产生像这两个样本均值这样大的差异的原因是随机发生的，而不是由于它们所来自的总体本来的均值就不相等，出现这种差异结果的概率是< 。 扩展资料 P值的作用： P值可以用来进行假设检验的决策，如果P值比显著性水平a小，检验统计量的值就是在拒绝域内。同样，如果P值大于或等于显著性水平a，检验统计量的值就不再拒绝域内。在上例咖啡问题中， P值为小于显著性水平a=，说明应该拒绝原假设。 多个样本均数间的两两比较称多重比较，如果用两个样本均数比较的t检验进行多重比较，将会加大犯I类错误的概率。 例如有4个样本，两两组合数为(24)= 6，若用t检验做6次，且每次比较的检验水准选为a=，则每次比较不犯I类错误的概率为(1- )6次均不犯I类错误的概率为(1- )6，这是总的检验水准变为1- (1- )6= ，比大多了。 因此，许多统计学家得出多重比较不适用t检验。所谓不能进行t检验的关键原因是由于检验次数增多从而获得全部检验正确的概率就会下降，即犯I类错误的概率上升了，而不是t检验本身的缺陷。 如果我们做一次新药临床试验的数据分析，在整个分析过程中进行了n次试验，那么根据这个推论，我们整个分析全对的概率可能早就所剩无几了。此时，如果犯I类错误的概率不应该由检验水平a计算，而是按照每次试验得到的P值算得，这样就会得到全部检验结果犯错误的实际概率了。 参考资料来源：百度百科-t检验 t=(样本平均值-总体平均值)/[标准差/√n]~t(n-1)求出t值后，查t值表，就可得到p值。 1、t值是t检验的统计量值，t检验，亦称studentt检验（Student'sttest），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。2、F值是F检验的统计量值。F检验是一种在零假设（nullhypothesis,H0）之下，统计值服从F-分布的检验。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。3、P值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P值，一般以P<为有统计学差异，P<为有显著统计学差异，P<为有极其显著的统计学差异。其含义是样本间的差异由抽样误差所致的概率小于、、。扩展资料：F值和t值是F检验和t检验的统计量值,与它们相对应的概率分布,就是F分布和t分布。统计显著性是出现目前样本这结果的机率。P值代表结果的可信程度,P越大,就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=提示样本中变量关联有5%的可能是由于偶然性造成的。参考资料：百度百科——假设检验中的P值百度百科——F检验百度百科——t检验 采用spss软件，单因素分组对照计算。 t值和P值都用来判断统计上是否显著的指标。在p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。Fisher的具体做法 假定某一参数的取值，选择一个检验统计量，在该统计量的分布在假定的参数取值为真时应该是完全已知的从研究总体中抽取一个随机样本计算检验统计量的值计算概率值或者说观测的显著水平即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。医学论文t检验如何算p值
医学论文t值和p值