发布时间：
t检验，主要运用于样本含量较少（一般n<30），总体标准差σ未知的正态分布资料。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。
T检验显著性分析 越来越多的研究者采用T检验进行数据分析，这种方法在统计学上经常被应用于分析不同样本之间的显著性。T检验是以William Gosset的笔名“学生（Student）”命名的。在本文中，我们将向您介绍T检验显著性分析的基础知识和如何将其运用到研究过程中。 理解T检验的核心原理 T检验是一种假设检验方法,用于评估两个平均数之间的显著性。它主要基于在两个样本平均数之间获得的差异，假定这些样本的差异是正态分布的。T检验可用于比较两个样本中测量到的平均值，例如，两组患者的治疗结果、两组学生的考试成绩等等。T检验使用的基本统计量是检验统计量t值。t值取决于样本数量、差异大小和样本的标准偏差。当t值越大时，意味着差异越大，样本之间的分布越分散，结果更可能表示真实差异。T检验结果还有一个p值，它代表着得到t值的概率。如果p值小于，通常被认为是显著的差异。反之，则认为检验并未找到显著性效应。 T检验的应用 T检验在很多领域都有应用，例如生物医学研究、社会科学研究、物理学等。以下是一些常见的应用实例：两个不同医院使用不同的手术技术，用T检验来评估影响手术效果的因素在教育研究中，T检验可用于比较两种不同的教学方法的效果在业务上，T检验可用于比较不同广告的营销效果 T检验的限制 虽然T检验是一种有用的工具，但它也有一些限制。如果处理的数据不满足正态分布的假设，那么T检验的结果就不可靠。另外，当T检验应用于多个比较的情况时，可能会增加错误发现的风险。最后，如果样本量太小，那么分析结果也可能不够可靠。 结论 T检验是一种有价值而常用的统计方法。当正确使用时，它可以帮助我们检验样本之间的显著性。但是，我们必须意识到它的限制，并且在进行数据分析时，注意数据的质量和特性。如果您需要对多个比较进行分析，请注意通过适当的p值校正方法来控制错误发现率。
t检验是用于可以计数的样本 t检验有单样本t检验，配对t检验和两样本t检验。 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。
我只知道卡方分布和t分布，概率统计课上学过，至于有什么用，不知道了
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。
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。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。
扩展资料：
选用的检验方法必须符合其适用条件(注意：t检验的前提：来自正态分布总体；随机样本 ；均数比较时，要求两样本总体方差相等，即具有方差齐性) 。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，两组方差不会明显不同。
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。方差齐性的假设可进行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。
参考资料来源：百度百科-t检验
应用条件
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。
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：来自正态分布总体； 随机样本 ；均数比较时，要求两样本总体方差相等，即具有方差齐性)。
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，两组方差不会明显不同。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。
方差齐性的假设可进行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差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差别时，这个概率与我们拒绝了该假设有关。
一些学者认为如果差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绝对化。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值与差别有无统计学意义 。P越小，不是说明实际差别越大，而是说越有理由拒绝H0 ，越有理由说明两者有差异，差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差异：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、药物类型与剂量），此时，需要用方差分析进行数据分析，方差分析被认为是t检验的推广。
在较为复杂的设计时，方差分析具有许多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）。
由来
学生t检验是威廉·戈塞为了观测酿酒品质于1908年所提出的，“学生 (student)”则是他的笔名。
基于克劳德·健力士（Claude Guinness）聘用从牛津大学和剑桥大学出来的最好的毕业生，以将生物化学及统计学应用到健力士工业流程的创新政策，戈塞受雇于都柏林的健力士酿酒厂担任统计学家。戈塞提出了t检验以降低啤酒重量监控的成本。
戈塞于1908年在《Biometrika》期刊上公布t检验，但因其老板认为其为商业机密而被迫使用笔名，统计学论文内容也跟酿酒无关。实际上，其他统计学家是知道戈塞真实身份的。
应用
1、单样本检验：检验一个正态分布的总体的均值是否在满足零假设的值之内，例如检验一群军校男生的身高的平均是否符合全国标准的170公分界线。
2、独立样本t检验（双样本）：其零假设为两个正态分布的总体的均值之差为某实数，例如检验二群人之平均身高是否相等。若两总体的方差是相等的情况下（同质方差），自由度为两样本数相加再减二；若为异方差（总体方差不相等），自由度则为Welch自由度，此情况下有时被称为Welch检验。
3、配对样本t检验（成对样本t检验）：检验自同一总体抽出的成对样本间差异是否为零。例如，检测一位病人接受治疗前和治疗后的肿瘤尺寸大小。若治疗是有效的，我们可以推定多数病人接受治疗后，肿瘤尺寸将缩小。
4、检验一回归模型的偏回归系数是否显著不为零，即检验解释变量X是否存在对被解释变量Y的解释能力，其检验统计量称之为t-比例（t-ratio）。
以上内容参考 百度百科-t检验
1、单样本检验：检验一个正态分布的总体的均值是否在满足零假设的值之内，例如检验一群军校男生的身高的平均是否符合全国标准的170公分界线。
2、独立样本t检验（双样本）：其零假设为两个正态分布的总体的均值之差为某实数，例如检验二群人之平均身高是否相等。若两总体的方差是相等的情况下（同质方差），自由度为两样本数相加再减二；若为异方差（总体方差不相等），自由度则为Welch自由度，此情况下有时被称为Welch检验。
3、配对样本t检验（成对样本t检验）：检验自同一总体抽出的成对样本间差异是否为零。例如，检测一位病人接受治疗前和治疗后的肿瘤尺寸大小。若治疗是有效的，我们可以推定多数病人接受治疗后，肿瘤尺寸将缩小。
4、检验一回归模型的偏回归系数是否显著不为零，即检验解释变量X是否存在对被解释变量Y的解释能力，其检验统计量称之为t-比例（t-ratio）。
由来
学生t检验是威廉·戈塞为了观测酿酒品质于1908年所提出的，“学生 (student)”则是他的笔名。
基于克劳德·健力士（Claude Guinness）聘用从牛津大学和剑桥大学出来的最好的毕业生，以将生物化学及统计学应用到健力士工业流程的创新政策，戈塞受雇于都柏林的健力士酿酒厂担任统计学家。戈塞提出了t检验以降低啤酒重量监控的成本。
戈塞于1908年在《Biometrika》期刊上公布t检验，但因其老板认为其为商业机密而被迫使用笔名，统计学论文内容也跟酿酒无关。实际上，其他统计学家是知道戈塞真实身份的。
首先，登录中国期刊全文数据库、万方数据库或者 维普数据库（此为中国三大专业文献数据库）或国外Pubmed/Medline等国外专业数据库，然后搜索相关的文献，写出您的文章。其次，再去以上数据库中搜索相关专业期刊编辑部信息（国家级或是非国家级，核心或者非核心，统计源或者非统计源期刊等等），找到投稿联系方式，这样的方法避免网上很多钓鱼网站，确保您投稿的期刊是合法的。最后,祝好运。欢迎交流。静石医疗，竭诚为您服务。
1、单样本检验：检验一个正态分布的总体的均值是否在满足零假设的值之内，例如检验一群军校男生的身高的平均是否符合全国标准的170公分界线。
2、独立样本t检验（双样本）：其零假设为两个正态分布的总体的均值之差为某实数，例如检验二群人之平均身高是否相等。若两总体的方差是相等的情况下（同质方差），自由度为两样本数相加再减二；若为异方差（总体方差不相等），自由度则为Welch自由度，此情况下有时被称为Welch检验。
3、配对样本t检验（成对样本t检验）：检验自同一总体抽出的成对样本间差异是否为零。例如，检测一位病人接受治疗前和治疗后的肿瘤尺寸大小。若治疗是有效的，我们可以推定多数病人接受治疗后，肿瘤尺寸将缩小。
4、检验一回归模型的偏回归系数是否显著不为零，即检验解释变量X是否存在对被解释变量Y的解释能力，其检验统计量称之为t-比例（t-ratio）。
由来
学生t检验是威廉·戈塞为了观测酿酒品质于1908年所提出的，“学生 (student)”则是他的笔名。
基于克劳德·健力士（Claude Guinness）聘用从牛津大学和剑桥大学出来的最好的毕业生，以将生物化学及统计学应用到健力士工业流程的创新政策，戈塞受雇于都柏林的健力士酿酒厂担任统计学家。戈塞提出了t检验以降低啤酒重量监控的成本。
戈塞于1908年在《Biometrika》期刊上公布t检验，但因其老板认为其为商业机密而被迫使用笔名，统计学论文内容也跟酿酒无关。实际上，其他统计学家是知道戈塞真实身份的。
t检验方法如下：
t分布的发现使得小样本统计推断成为可能，并且以t分布为基础的检验称为t检验。在医学统计学中，t检验是应用较多的一类假设检验方法。对于计量资料的假设检验中，t检验是最为简单、常用的方法。
单样本资料的t检验，实际上是推断该样本来自的总体均数与已知的某一总体均数μ0（常为理论值或标准值）有无差别。零假设为H0：μ=μ0。而对立假设要视问题的背景而定：双侧的对立假设为H1：μ≠μ0；单侧的对立假设可以是H1：μ>μ0或H1：μ<μ0。
t检验的统计量计算，服从自由度为v=n-1的t分布。因此，可以根据t值来计算相应的P值，进行统计推断的。事先规定一个“小”的概率α作为检验水准，如果P值小于α，就拒绝零假设，如P值不小于α，则不拒绝零假设。
在医学科学研究中的配对设计主要适用于以下情况：第一，异体配对设计，包括同源配对设计和条件相近者配对设计（两同质受试对象配成对子分别接受两种不同的处理）。第二，自身配对设计（同一受试对象分别接受两种不同处理）。
两独立样本配对t检验：
两样本t检验又称成组t检验,或两独立样本t检验，医学研究中常见用于完全随机设计两样本均数的比较，即将受试对象完全随机分配到两个不同处理组，研究者关心的是两样本均数所代表的两总体均数是否不等。
此外，在观察性研究中，独立从两个总体中进行完全随机抽样，获得的两样本均数的比较，也可采用两样本t检验。此检验基于t分布，必须假定两个总体服从正态分布，根据是否符合方差齐性。
t检验，主要运用于样本含量较少（一般n<30），总体标准差σ未知的正态分布资料。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。
t检验种类很多，有均值检验、显著性检验等。一般来说，若总体方差未知，需要用样本方差来替代的情况，用t检验。
根据大量调查，已知健康成年男子脉搏的均数为72次/分钟，某医生在一山区随机测量了25名健康成年男子脉搏数，求得其均数为次/分钟，标准差为次/分钟，能否认为该山区成年男子的脉搏数与一般健康成年男子的脉搏数不同？（1）建立检验假设 H0：μ＝μ0 ，即该山区健康成年男子脉搏均数与 一般健康成年男子脉搏均数相同； H1：μ≠μ0 ，即该山区健康成年男子脉搏均数与 一般健康成年男子脉搏均数不同。 α＝（双侧） （2）计算t值 本例n=25,s= ,样本均数=,总体均数=72, 代入公式t=（3）确定P值, 作出推断结论 本例υ =25－1=24，查附表2，t界值表，得，现t=< , 故P>。按α=的水准，不拒绝H0，差异无统计学意义。 结论：即根据本资料还不能认为此山区健康成年男子脉搏数与一般健康成年男子不同。
t检验，主要运用于样本含量较少（一般n<30），总体标准差σ未知的正态分布资料。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。
t检验是比较两组数据之间的差异，有无统计学意义；t检验的前提是，两组数据来自正态分布的群体，数据的方差齐，满足独立性。
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。
独立样本t检验统计量为：
S1²和 S2²为两样本方差；n₁ 和n₂ 为两样本容量。
扩展资料：
选用的检验方法必须符合其适用条件。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，两组方差不会明显不同。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。
方差齐性的假设可进行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。
参考资料来源：百度百科-t检验
t检验种类很多，有均值检验、显著性检验等。一般来说，若总体方差未知，需要用样本方差来替代的情况，用t检验。
统计资料的显著性检验(significant test)方法的选择是医学论文中常常遇见的问题，退稿原因中常有显著性检验方法选择不当。如t检验、u检验、χ2检验等，虽然各有其应用范围和要求，但也其共同之处。作者可根据统计资料的类型，选择一种或几种检验方法。但当作者在获得一组、两组或两组以上的数据资料时，选择何种显著性检验，是至关重要的问题。不同的资料类型其统计指标、统计检验的方法是不同的
楼主你得加个分吧。楼上内容蛮官方的。真的....向楼上学习。
刚在那个什么 创新医学网 上看见过 医学论文 写作辅导的文章 这个知道是不是 你要的答案 统计资料的显著性检验(significant test)方法的选择是医学论文中常常遇见的问题，退稿原因中常有显著性检验方法选择不当。如t检验、u检验、χ2检验等，虽然各有其应用范围和要求，但也其共同之处。作者可根据统计资料的类型，选择一种或几种检验方法。但当作者在获得一组、两组或两组以上的数据资料时，选择何种显著性检验，是至关重要的问题。不同的资料类型其统计指标、统计检验的方法是不同的，见表1。 医学生物研究中，许多指标都是服从正态分布(u分布)的，而随着样本含量加大或自由度增大，t分布、χ2分布、F分布都趋向于正态分布见图1、图2。 在《中华创伤杂志》第12卷1～6期和增刊中文章所涉及的统计方法(表2)，表明了正态分布的广泛性、常见性。 故当作者获得数据资料后，首先应进行正态性检眩�范ㄊ欠为标准正态分布(或近似正态分布)或不属于正态分布。笔者首先推荐概率单位法。 当统计资料属于正态分布或近似正态分布时，差异显著性检验方法的选裕�诜合其应用条件下，一般可按表3进行选择。 显著性检验应用时的主要注意事项：(1)率值或均值在进行显著性检验前，应注意样本的代表性和可比性。(2)检验结果接近显著性界限时：要多方面考虑，是否确实不存在差异；或是观察例数不够，而需加大样本例剩换是检验公式运用不当，可用其他检验印证。(3)多个样本比例数的χ2检验，差异显著性，只能说明多组比例数不同或不完全相同，而不能确定哪个比例数不同，要进一步进行显著性检验才能了解两个样本比例数是否构成相同。表1 一般情况下不同资料的统计指标与检验方法的关系资料类型 统计指标 统计检验方法 计量资料 均数、标准差 t检验、F检验等 计数资料 率、构成比 χ2检验等 半定量资料 率、构成比 秩和检验、Ridit分析表2 《中华创伤杂志》第12卷1～6期、 增刊显著性检验方法使用频数检验方法 应用次数 检验方法 应用次数 t检验 27 直线相关与回归分析 5 χ2检验 16 拟合线性回归 1 F检验 24 相关分析 6 Q检验 2 非参数统计 4 u检验 1 未注明方法 6表3 常用显著性检验方法的选择统计资料比较类型 显著性检验 小样本均数与总体均数相比较 t检验 小样本均数相比较 t检验、F检验 两个或多个大样本均数与 总体均数相比较 u检验、t检验 大样本均数相比较 u检验、t检验 配对计量资料 配对t检验 两个率的比较 u检验、χ2检验 多个样本率的的比较 χ2检验 配对计数资料两种属性的 相关分析及其差别的比较 χ2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），总体标准差σ未知的正态分布资料。t检验是对各回归系数的显著性所进行的检验，（－－这个太不全面了，这是指在多元回归分析中，检验回归系数是否为0的时候，先用F检验，考虑整体回归系数，再对每个系数是否为零进行t检验。t检验还可以用来检验样本为来自一元正态分布的总体的期望，即均值；和检验样本为来自二元正态分布的总体的期望是否相等） 希望对你有所帮助