发布时间：
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。
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。
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
医学统计中的常见误区有哪些
医学统计学是运用概率论与数理统计的原理及方法，结合医学实际，研究数字资料的搜集、整理分析与推断的一门学科。医学研究的对象主要是人体以及与人的健康有关的各种因素。下面是我为大家带来的关于医学统计中的常见误区的知识，欢迎阅读。
一，真正差异和统计学差异
常常有人和我说： P值越小，试验结果的差异就越大!而且还有依据 [P < 是有显著性差异; P < 是有极显著性差异]。
其实，这些人忽略了 n 这个样本数的作用，n 的大小会影响 P 值。但更应该澄清一下的是： P 值代表的是统计学差异，并不是真正的差异!真正的差异只能靠平均值或者频度的比较才能得到。
二，卡方检验的局限性
我们知道各组之间的计数资料的比较，要用卡方检验，但有些情况是不行的!!!
1，当样本有小于5的值2X2表时，必须要用 Fisher 检验才正确!
2，当组与组之间有不同的背景，而这些背景因子还可能会影响到组与组之间结果差异，这是就必须要用 Mantel-Haenszel 检验!
这第2条可能大家不要理解，那我就举两个例子：
1) 关于男性和女性对于不同颜色的喜好的统计学分析
但这里应该注意到年龄可能会对这个分析造成影响，这就要用Mantel-Haenszel 检验了。
***红色 蓝色 黄色
男性 5 7 8
女性 15 10 6
可以按大人和小孩(比如我们以15岁为分界)分层，在SPSS中要把这个因素放到[行] [列]下边的[层化]一栏里，并在统计指标选项里，选 Cochran和Mantel-Haenszel的统计量选项，这样出来的结果就可靠了!
2)两种治疗(A和B)效果的评价分析：
*****A法 B法
生存 41 54
死亡 47 31
用卡方检验 X2=; P <
但是，病人的临床分期将影响着分析结果：
********生存**************死亡
——————————***——————————
————A****B————————A*****B———
1期-----18-----21--------------------0--------0-------
2期-----23-----33-------------------13------- 8-------
3期------0------0--------------------34-------23-------
再用Mantel-Haenszel检验： X2=; P >
说明实际上A法和B法两组的统计学差异，是这个不同的分期造成的!!!
1，当样本有小于5的值2X2表时，必须要用 Fisher 检验才正确!
讨论：当样本有小于5的值2X2表时，必须要用 Fisher 确切概率法。
当样本有小于5的值R×C表时，将某两组合并，用pearson卡方检验。
三，t 检验的局限性
1，我们经常用 t 检验来判别两组病人血清中某种标记物水平上的差异，但这里要注意，有一些血清标记物的水平是不能用 t 检验的!
比如： 血清标记物 PSA和AFP，在正常人的水平是很低的，而在病人则明显增加，呈现指数幂次改变，这样一来，血清 PSA和AFP水平在每组病人中很容易不是呈现正态分布!
这时应该用 非参数性检验---即 Mann-Whitney U test (Wilcoxon U test)。
2，关于用不用配对t 检验，我个人认为当同一组样本在不同时点，不同处理方式的比较上，应该用配对t 检验。
四，ANOVA 检验的局限性
1，在2组以上计量资料样本比较时，ANOVA 检验非常常用。但这个检验只是说明了一个趋势的比较结果，并不能说明真正的统计学差异，真正的`差异还要通过每两个点的直接比较，也就是说应该在ANOVA 检验后，还必须做两两比较或多重比较，这样才能从全貌上反映出统计的全部结果。
2，既然方差分析得到差别有显著性意义的结论后，还需进行两两比较，有人认为还不如一开始就进行多次t检验更方便，其实，这种认识是不妥当的。t检验用于ANOVA的两两比较将增大第一类错误，产生假阳性，因此要采用特定的方法，在SPSS的one-way ANOVA或General linear models中操作时，Post Hoc(多重比较)对话框内有多种方法可供选择，象两两比较一般用SNK法，而多个试验组和一个对照组的比较则多用dunnett检验。
3，我们经常用 ANOVA 检验来判别几组病人血清中某种标记物水平上的差异，但这里要注意，与 t 检验一样，有一些血清标记物的水平是不能用 ANOVA 检验的!
如上所说的： 血清标记物 PSA和AFP，在正常人的水平是很低的，而在病人则明显增加，呈现指数幂次改变，这样一来，血清 PSA和AFP水平在每组病人中很容易不是呈现正态分布!
这时应该用 非参数性检验---即 Kruskal-Wallis rank test 。
五，单元线性相关分析
有时我们常常只注意到了 P 值大小，可最重要的是 r 值!
样本数 n 对 P 值 结果的影响很大，容易让我们产生错觉，其实，相关的存在与否的评价是与 r 值最直接相关的，如下：
当 P 值小于时： r 值
几乎没有相关关系
弱的相关关系
有相关关系
强相关关系
极强相关关系
P 值只是证明这个相关在统计学上是否成立!!!
1，当样本有小于5的值2X2表时，必须要用 Fisher 检验才正确!
讨论：当样本有小于5的值2X2表时，必须要用 Fisher 确切概率法。
当样本有小于5的值R×C表时，将某两组合并，用pearson卡方检验。
不是说样本小于5
而是说：在R×C表中
理论频数不应该小于1，并且1≤T≤5的格子数不应该超过总格子数的1/5，若出现上述情况可以通过以下方法：
a.增加样本含量，使理论频数增大;
b.根据专业知识，删除理论频数太小的行和列;或者将理论频数太小的行或列与性质相近的邻行和邻近列合并。
c.改用双向无序的R×C表的fishher确切概率法。
还有一点
四格表卡方检验的适应指标：(T为理论频数)
1。n≥40，且T≥5时用卡方检验基本公式。但是当p≈α应该用fisher确切概率法
2。n≥40，但是1≤T≤5时，用四格表校正公式
3。n<40，或者T<1时，用fisher四格表确切概率法
4。四格表卡方检验的连续性校正仅仅用于自由度为1的四格表尤其是n较小时。
补充几点：
1. 关于P值：P值的大小并不是各组差异的大小，而是统计学差异显著性的大小。P值越小，说明得出各组没有差异的概率越小，越有理由说明各组存在差异(可以说，P值的大小反映了做出统计结论的“理由”的大小，而不是被比较的各组的实际差异的大小，得出有意义的结论后，其差异的大小可直接通过各组的均数或率进行比较)。
2. 关于t检验和方差分析：katalyster兄上面提到的t检验及方差分析在某些时候不适用，实际上就是每种方法都有其应用条件，不服从正态分布当然不能用。对这样的资料首先可考虑变量变换(如抗体滴度等资料，为指数或幂次的关系，可用对数转换)，如变换后，服从正态分布，可用上述方法;若还不符合，则考虑非参数检验。
3. 关于相关分析：两个变量间是否存在相关关系，要看P值，而不是r值，r值用来说明相关关系的大小。当P<，才能讲两变量间存在相关关系，再看r值，r值越大，相关关系越强，反之越小;否则，P>,不能讲两变量间存在相关关系，r值毫无意义。
感谢kushuya, xiaoxiongzjh两位专家的补充和指正!之所以开这个专题，是真心想让初学者从这些<误区>中走出来!
六，Logistic regression 分析
在判断某因子对疾病的危险度时常用的方法。
1，假设要判断某因子对疾病的危险度(OR)，要了解这个OR是一个相对危险度，即是有某因子存在和没有某因子存在之间比较的OR值。
2，OR 和 RR 不一样，OR是在Logistic regression model中使用，RR是在Cox proportional hazard model中使用。
3，假设要判断某因子对疾病的危险度，要在多变量Logistic regression model中校正一些混扰因素，如常见的年龄，性别，吸烟等等，并最后得出这个 Adjusted OR。但并不是说有了这些校正，我们就可以在实验设计上就不考虑这些混扰因素，相反，必须在实验设计上就把这些混扰因素在实验组和对照组配平，光靠在多变量Logistic regression model中校正是不可靠的。
其它方法---生存分析 (Kaplan-Meier法+ Logrank法)：
我们有时在临床研究只注意到了用这种方法分析与生存相关的研究，其实，在疾病复发上也常用这种方法!前者是以生---死为判别，后者则以复发---不复发为判别。
如果您遇到本科毕业论文抽查实证分析方面存在错误的情况，可以首先与导师或指导老师进行沟通和交流，听取他们的建议和意见，尝试进行修改和完善。如果出现严重问题，导致论文难以修改或无法通过审查，请尽快向学校相关部门或毕业论文评审委员会反映情况，并说明具体原因和情况。同时，也建议您积极自我审视和反思，尽快纠正错误，提高论文实证分析水平。不过，在抽查实证分析方面存在错误情况并不是绝望的局面。您可以通过重新审视学习和研究，参与学术交流和研究，提升自己的研究能力和实证分析水平，为今后的学习和研究打下坚实的基础。当然，以下是一些学术论文撰写过程中需要注意的细节：1. 文献细节：在写作过程中，要注重查找和引用权威学术文献，并注意引用时遵循论文撰写规范，尽可能排除文献的侵权问题。2. 实验细节：在撰写学术实验论文时，要注意记录实验过程中的细节和参考数据等信息，并认真分析实验结果。同时，在实验设计时要严谨，考虑的变量要全面，实验的测量要有重复，这可以提高实验结果的可靠性。3. 数据细节：数据处理在学术论文撰写中是相当重要的一部分。注意数据的来源和准确性，对于数据的处理使用前后确保数据盲审、验证数据合法性、抽样方法、数据卡方等问题，以确保数据的严谨性和合法性。4. 结论细节：在写结论的时候需要注意将已有的数据进行详细分析，形成合理的结论，避免结论上的一些不合理、不充分的错误。以上是一些学术论文撰写过程中需要注意的细节。学生们在撰写学术论文的过程中应该要重视这些细节并做好记录，以确保论文的质量和可信度，并让自己的论文领域有所进步。
你的数据中分组变量有问题吧，查看分组编码是否正确，以及分析变量是否是数值型变量。
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