正确运用t检验在医学期刊的例子

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。

当我们在使用t检验的时候大多数时候都是小样本为主，尤其是临床试验中，用较少的样本来推断其所代表的总体是否有差异是我们的最终目的， 但是当样本量较大时，专业统计得到的结果可能与真实情况有差别。因为对于大样本，轻微的差别就会导致t值变化很大，从而掩盖了数据间真实的情况。 通过上图两独立样本t检验的公式可以看出，决定t值大小的因素有样本均数X，样本数n和标准差S，大样本量势必影响t值的大小。 一味地去关注P是否小于，而忽略了数据本身的情况是不可取的。关于正确理解P值的含义，我在此推荐程开明老师的这篇文献。由于篇幅所限，在此就不过多展开。 今天我主要说的是如何通过效应量指标来辅助解读P值，其他方法我会在之后的文章中尽量补充。 效应量的概念： 效应量是指由于因素引起的差别，是衡量处理效应大小的指标。与显著性检验不同，这些指标不受样本容量影响。它表示不同处理下的总体均值之间差异的大小，可以在不同研究之间进行比较。平均值差异、方差分析解释比例、回归分析解释比例需要用效应量描述。效应量不受样本容量的影响。当样本容量大得到显著时，有必要报告效应量大小。（来自百度百科） Cohen’s d用于t检验，表明两个均数之间的标准差异； η²（偏η²）主要用于方差分析（ANOVA），表明与变量X的水平变化有关的变量Y的变化比率。 翻译成白话就是： 1、效应量不受样本量的影响，真实反映效应大小情况。 2、讨论自变量和因变量强度关系时，也不受样本量影响。（比如在回归分析中） 3、同样在回归分析中，通过效应量指标可以真实得出自变量对因变量的重要程度，尤其在建模找危险因素时很有用。 4、当效应量较小时，就算P值＜，也不能轻易下结论。 案例说明： 为了方便理解，我举个例子来说明效应量指标的实际意义。 一项开展我国男婴体重的调查，统计结果显示北方5385人平均体重为，南方4896人平均，和实际相差，结论应该是南北方男婴出生体重相差不大才对。但此时如果使用t检验，得出的结果确是t=，P=，差异有统计学意义。 此时如果坚持统计学结论，则会得到一个不真实的结论。因为在样本量较大的时候，P值会趋于小概率。 Cohen's d 的计算： 很遗憾SPSS无法计算这个指标，但我会介绍另一款统计软件（JASP）可以轻易计算，在此之前我们先看看该指标的计算公式。 独立样本t检验： ES=（m1-m2）/s-pooled，m：均值，s-pooled：联合方差 配对样本t检验： ES=（m1-m2）/s，m:均值，s：差值的标准差 Cohen’s d 的结果解读标准： 以上两个标准都可以，任选一个就行。 由于不想篇幅过长影响阅读，本篇先了解一下效应量指标的使用背景，下一篇将通过具体的案例向大家展示，并且如何使用JASP这款软件获得Cohen's d效应量指标。拜拜。