医学论文中t值什么情况下需用

t检验中必须用t值比较。t检验可分为单总体检验和双总体检验，以及配对样本检验，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，双总体t检验是检验两个样本平均数与其各自所代表的总体的差异是否显著。1、无论是单检验，还是双检验，都是需要用t值进行比较的。

通常的F检验例子包括：

1、假设一系列服从正态分布的母体，都有相同的标准差。这是最典型的F检验，该检验在方差分析（ANOVA）中也非常重要。

2、假设一个回归模型很好地符合其数据集要求。

通常的t检验：

(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检验的前提是方差齐，只有方差齐了，t检验的结果才反应两组数据的是否有差异，否则如果方差不齐的话，会把组内的差异也考虑进去，所以判定的概率就更宽松。

而F检验其实就是看组间差异和组内差异的比较，所以本质上和t检验方差齐的概念相似。但是实际上在方差不齐的时候是无法进行t检验的，结果不具有统计学意义。

t检验一般适用于两组，所以在多维的情况下，不适用t检验，而F检验可以判定多组、一组多变量和多组间有交互（单因素、协方差、双因素无重复、双因素有重复等），然后在通过两两比较进行分析，用duncan和tukey等方法去判定，F检验的范围要大的多。

扩展资料

T检验和F检验的由来：

一般而言，为了确定从样本（sample）统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。

通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布（probability distribution）进行比较，我们可以知道在多少%的机会下会得到目前的结果。

倘若经比较后发现，出现这结果的机率很少，亦即是说，是在机会很少、很罕有的情况下才出现；那我们便可以有信心的说，这不是巧合，是具有统计学上的意义的（用统计学的话讲，就是能够拒绝虚无假设null hypothesis,Ho）。

相反，若比较后发现，出现的机率很高，并不罕见；那我们便不能很有信心的直指这不是巧合，也许是巧合，也许不是，但我们没能确定。

F值和t值就是这些统计检定值，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（sig）就是出现目前样本这结果的机率。

参考资料来源：百度百科-t检验

参考资料来源：百度百科-F检验