显著性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显著性差异。或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。抽样实验会产生抽样误差，对实验资料进行比较分析时，不能仅凭两个结果（平均数或率）的不同就作出结论，而是要进行统计学分析，鉴别出两者差异是抽样误差引起的，还是由特定的实验处理引起的。显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显著的方法。常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β。通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显著性检验，概率α称为显著性水平。最常用的α值为、、等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。显著性检验的基本思想可以用小概率原理来解释。1、小概率原理：小概率事件在一次试验中是几乎不可能发生的，假若在一次试验中事件 事实上发生了。那只能认为事件 不是来自我们假设的总体，也就是认为我们对总体所做的假设不正确。2、观察到的显著水平：由样本资料计算出来的检验统计量观察值所截取的尾部面积。这个概率越小，反对原假设，认为观察到的差异表明真实的差异存在的证据便越强，观察到的差异便越加理由充分地表明真实差异存在。3、检验所用的显著水平：针对具体问题的具体特点，事先规定这个检验标准。4、在检验的操作中，把观察到的显著性水平与作为检验标准的显著水平标准比较，小于这个标准时，得到了拒绝原假设的证据，认为样本数据表明了真实差异存在。大于这个标准时，拒绝原假设的证据不足，认为样本数据不足以表明真实差异存在。5、检验的操作可以用稍许简便一点的作法：根据所提出的显著水平查表得到相应的 值，称作临界值，直接用检验统计量的观察值与临界值作比较，观察值落在临界值所划定的尾部内，便拒绝原假设；观察值落在临界值所划定的尾部之外，则认为拒绝原假设的证据不足。
eviews中t检验大于2显著。在eviews输出结果中，有标准差，t统计量，eviews中t统计量是检验系数显著性的，t值一般大于经验值2，则变量显著。
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。
选用的检验方法必须符合其适用条件
注意：t检验的前提：
1、来自正态分布总体；
2、随机样本 ；
3、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。
扩展资料
单样本T检验：常用于样本均值与总体均值的比较。
独立样本T检验：常用于两个独立样本之间均值的比较。
配对样本T检验：常用于在某种程度上相关的两个样本之间均值的比较。这个某种程度相关，主要对应有这么两种形式：同一样本在不同时刻产生的结果（比如同一个活动页采用前后采用两种引流策略）或两个紧密联系的样本分别测量产生的结果（比如双胞胎的IQ测试）。
参考资料来源：百度百科-t检验
做题的话就看题目要求，要是通常使用操作中，一般情况下是取，这个是常用标准。常见的大部分都是默认的，因为有个数学概率里的名词是叫95%置信区间，在这个范围内可信度已经很高了。用那个是为了提高精度，需要高精准度的条件下，有的时候甚至会出现或者，都是看实际需要的。
显著性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显著性差异。或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。抽样实验会产生抽样误差，对实验资料进行比较分析时，不能仅凭两个结果（平均数或率）的不同就作出结论，而是要进行统计学分析，鉴别出两者差异是抽样误差引起的，还是由特定的实验处理引起的。显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显著的方法。常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β。通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显著性检验，概率α称为显著性水平。最常用的α值为、、等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。显著性检验的基本思想可以用小概率原理来解释。1、小概率原理：小概率事件在一次试验中是几乎不可能发生的，假若在一次试验中事件 事实上发生了。那只能认为事件 不是来自我们假设的总体，也就是认为我们对总体所做的假设不正确。2、观察到的显著水平：由样本资料计算出来的检验统计量观察值所截取的尾部面积。这个概率越小，反对原假设，认为观察到的差异表明真实的差异存在的证据便越强，观察到的差异便越加理由充分地表明真实差异存在。3、检验所用的显著水平：针对具体问题的具体特点，事先规定这个检验标准。4、在检验的操作中，把观察到的显著性水平与作为检验标准的显著水平标准比较，小于这个标准时，得到了拒绝原假设的证据，认为样本数据表明了真实差异存在。大于这个标准时，拒绝原假设的证据不足，认为样本数据不足以表明真实差异存在。5、检验的操作可以用稍许简便一点的作法：根据所提出的显著水平查表得到相应的 值，称作临界值，直接用检验统计量的观察值与临界值作比较，观察值落在临界值所划定的尾部内，便拒绝原假设；观察值落在临界值所划定的尾部之外，则认为拒绝原假设的证据不足。
t值小于是显著。系数显著性会和自由度有关系，自由度和样本量有关系，在模型变量不多的情况下(比如10以下)，在样本量100个以上的时候，显然在大样本下都会满足上面条件。经过计算可知:当t值在的时候，系数都至少在5%水平上显著。
t值的意义
T值是用受检者的骨密度值与同性别正常青年人的骨密度平均值进行比较。-1﹤T值﹤1表示骨密度值正常;﹤T值﹤-1表示骨量低，骨质流失;T值﹤表示骨质疏松症;T值是一个相对的数值，T值来判断人体的骨密度是否正常。
表示所测的骨密度与同种、同性别的正常年轻人群的骨密度水平比较。T值的高低值常用正负值表示，正数表示超过该水平，骨质坚硬。
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。
选用的检验方法必须符合其适用条件
注意：t检验的前提：
1、来自正态分布总体；
2、随机样本 ；
3、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。
扩展资料
单样本T检验：常用于样本均值与总体均值的比较。
独立样本T检验：常用于两个独立样本之间均值的比较。
配对样本T检验：常用于在某种程度上相关的两个样本之间均值的比较。这个某种程度相关，主要对应有这么两种形式：同一样本在不同时刻产生的结果（比如同一个活动页采用前后采用两种引流策略）或两个紧密联系的样本分别测量产生的结果（比如双胞胎的IQ测试）。
参考资料来源：百度百科-t检验
小于差异性更好!小于有统计学意义.小于有显著差异性
p值不显著可以写论文
资料拓展：
论文评审的标准是论文质量是否达到一定的水平，而不是论文结果是否显著。因此，如果你的硕士论文进行的所有p检验结果都不显著，但你通过其他统计分析方法或理论分析证明了两个变量之间确实没有关系，那么论文理论分析和数据分析的部分就可以通过。
论文是族悉一个汉语词语，拼音是lùn wén，古典文学常见论文一词，谓交谈辞章或交流思想。当代，论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文。
它既是探讨问题进行学术研究的一种手段，又是银毕描述学术研究成果进行学术交流的一种工具。它包括学年论文、毕业论文、学位论文、科技论文、成果论文等。
关键词是从论文的题名、提要和正文中选取出来的，是对表述论文的中心内容有实质意义的词汇。关键词是用作计算机系统标引论文内容特征的词语，便于信息系统汇集，以供读者检索。每篇论文一般选取3-8个词汇作为关键词，另起一行，排在“提要”的左下方。
主题词是经过规范化的词，在确定主题词时，要对论文进行主题分析，依照标引和组配规则转换成主题词表中的规范词语。
论文的有关部分全部抄清完了，经过检查，再没有什么问题，把它装成册，再加上封面。论文的封面要朴素大方，要写出论文的题目、学校、科系、指导教师姓名、作者姓名、完成年月日。论文的题目的作者姓名一定要写在表皮上，不要写里面的补页上。
题名应简明、具体、确切，能概括论文的特定兆搏乎内容，有助于选定关键词，符合编制题录、索引和检索的有关原则。
我觉得你可以再去找一些知识丰富你一下你的论文，让得出来的结果更加显著一些。
看看数据是否出现了错误，可以先认真的核查一遍，看看自己的计算过程是否正确，如果没有错误，那就更换下实验的数据的，把数据修改一下。
不可以。论文里面阐述的就是题目的要求，到时候答辩，老师问里面的数据和来源以及相关问题回答不出来是不可以的，所以还是要一致才有说服力。毕业论文中的数据必须真实的。一般情况下，答辩过程中老师不会让你演示数据的分析过程，但一般会问到你你的论文理论基础，数据是如何收集的（即通过哪些途径收集的），你的问卷设计，数据分析结果，得出结论等。
1、是事先对总体的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设是否合理，即判断总体的真实情况与原假设是否有显著性差异。
2、或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。
3、显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。
扩展资料：
1、含义：
常把一个要检验的假设记作H0,称为原假设，与H0对立的假设记作H1，称为备择假设。
⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；
⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β；
(3)α+β 不一定等于1。
通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显著性检验，概率α称为显著性水平。
最常用的α值为、、等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。
2、原理：
（1）无效假设
显著性检验的基本原理是提出“无效假设”和检验“无效假设”成立的机率水平的选择。所谓“无效假设”，就是当比较实验处理组与对照组的结果时，假设两组结果间差异不显著，即实验处理对结果没有影响或无效。
经统计学分析后，如发现两组间差异是抽样引起的，则“无效假设”成立，可认为这种差异为不显著。若两组间差异不是由抽样引起的，则“无效假设”不成立，可认为这种差异是显著的 。
（2）“无效假设”成立的机率水平
检验“无效假设”成立的机率水平一般定为5%，其含义是将同一实验重复100次，两者结果间的差异有5次以上是由抽样误差造成的，则“无效假设”成立，可认为两组间的差异为不显著，常记为p>。
若两者结果间的差异5次以下是由抽样误差造成的，则“无效假设”不成立，可认为两组间的差异为显著，常记为p≤。如果p≤，则认为两组间的差异为非常显著。
参考资料来源：百度百科-显著性检验
在作结论时，应确实描述方向性（例如显著大于或显著小于）。sig值通常用 P> 表示差异性不显著； 显著性差异是统计学（Statistics）上对数据差异性的评价。通常情况下，实验结果达到水平或水平，才可以说数据之间具备了差异显著或是极显著。 当数据之间具有了显著性差异，就说明参与比对的数据不是来自于同一总体（Population），而是来自于具有差异的两个不同总体，这种差异可能因参与比对的数据是来自不同实验对象的。 一些一般能力测验中，大学学历被试组的成绩与小学学历被试组会有显著性差异。也可能来自于实验处理对实验对象造成了根本性状改变，因而前测后测的数据会有显著性差异。 扩展资料： 显著性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显著性差异。 或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。 显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显著的方法。 常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。 ⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α； ⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β (3)α+β 不一定等于1。 通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显著性检验，概率α称为显著性水平。 最常用的α值为、、等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。 参考资料来源：百度百科-显著性差异 （1）构造原假设。 （2）构造统计量。 （3）利用原假设和样本数据计算t统计量和其对应的p值。 （4）在给定的显著性水平下，做出统计推断结果。 独立样本T检验(Independent sample T test)，用于检验两个独立样本是否来自具有相同均值的总体，也就是检验两个正态总体的均值是否相等。独立样本T检验(Independent sample T test)用于检验两组来自独立总体的样本，其独立总体的均值或中心位置是否一样。 扩展资料： 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。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 spss进行独立样本T检验，首先独立样本T检验要满足得是正态分布，之后根据方差齐性程度来判断选择显著性差异。 首先，组别是在一列，样本数值在一列，其命名可以在变量视图那里进行更高，还有组别的命名在值选项那里进行 之后，要保证正态性，可以用分析-描述统计-探索-绘制-正态分布之后进行分析 符合正态分布之后，进行独立样本T检验的分析，分析-比较均值-独立样本T检验 之后，进入独立样本T检验，组别放在分组变量那里，设置一下定义组（输入1，2）值放在检验变量那里 点击确定，出现结果，表格前排得sig是方差齐性检验，大于用第一行，后面的sig是显著性差异，大于说明无显著性差异 前排sig小于用第二排的sig就可以了。 独立样本t检验1.在进行独立样本T检验之前，要先对数据进行正态性检验。满足正态性才能进一步分析，不满足可以采用数据转化或非参数秩和检验；2.在菜单栏上执行：分析-比较均数-独立样本t检验；3.将要比较平均数的变量放到检验变量，将分组变量放到分组变量，点击定义组；4.打开的对话框中，设置组1和组2的值分别是分组类别，然后点击继续。 我们，做的，给的。 写的，毕业论文spss独立t检验