论文中t检验结果如何呈现

下面这幅图是从网页上搜索得到的一个结果，我们就拿这个结果来解读一下如何分析独立样本T检验的结果。第一个看第一个sig值，它是对方差齐性的假设的检验，假如sig<05，说明不满足方差齐性，我们认为方差是不齐的。这种情况下，我们只能看第二行数据，也就是看下图所示的sig值来判断是否有组间差异。第二个sig值说明，差异不显著，因为它大于了05。我们得出的结论是没有差异。我们看第二行数据，sig值>05，说明方差是齐性的。这时候，我们需要看另一个sig值，这个值仍然是没有达到显著水平（05)，我们认为两组是没有差异的。扩展资料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。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。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 [3]  。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）。参考资料：百度百科t检验

你好，他的分析结果其实非常的复杂，建议你询问相关专业是

检验分析结果医院开个证明。

1、首先打开一个数据，数据中用“1”表示男生，“2”表示女生，主要分析的变量就是英语成绩，要分析男生和女生之间英语成绩有没有统计学意义上的差异，对于一次考试来讲，一个群体的英语成绩应该是趋向一个值的，就是大部分人的成绩都在这个值附近，所以是可以使用独立样本t检验的。2、点击“分析”-“比较平均值”-“独立样本t检验”3、在弹出的界面中将“性别”选入到“分组变量”中；同时点击“定义组”按钮4、在弹出的“定义组”界面中，在“使用指定值”下“组1”文本框中填入“1”，“组2”文本框中填入“2”（因为我们的数据中“1”代表男生，“2”代表女生），然后点击“继续”5、将我们的“英语”选入到“检验变量”中，点击“确定”6、点击确定后弹出我界面就是我们的此次关于男生女生英语成绩是否有显著差异的独立样本t检验的分析结果，，接下来我们就来解读一下这个结果。7、第一个表格中的“均值”和“标准差”在论文中的表示方法是“x±s”（均数加减标准差，x顶上有个横杠哈，，网页上打不出来）8、第二个表格中，T=-172  显著性（双尾）=000，显著性双尾就是P，即P=000 ，那么我我们的P<05,所以说男生女生之间的英语成绩是有显著性差异的。9、是下面一行，即T=-171 P=000，如果P小于05，依然说明男生女生之间的英语成绩是有显著性差异的。（案例中的上下两行P都等于000，这个只是这个案例是这样，其他案例不一定哈）参考资料：点击“分析”-“比较平均值”-“独立样本t检验”