3. T 检验和 F 检验

至於具体要检定的内容，须看你是在做哪一个统计程序。

举一个例子，比如，你要检验两独立样本均数差异是否能推论至总体，而行的 t 检验。

两样本 (如某班男生和女生) 某变量 (如身高) 的均数并不相同，但这差别是否能推论至总体，代表总体的情况也是存在著差异呢？

会不会总体中男女生根本没有差别，只不过是你那麼巧抽到这 2 样本的数值不同？

为此，我们进行 t 检定，算出一个 t 检定值。

与统计学家建立的以「总体中没差别」作基础的随机变量 t 分布进行比较，看看在多少 % 的机会 (亦即显著性 sig 值) 下会得到目前的结果。

若显著性 sig 值很少，比如 比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果 0.05≥p>0.01 被认为是具有统计学意义，而 0.01≥p≥0.001 被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。

8. 所有的检验统计都是正态分布的吗?

并不完全如此，但大多数检验都直接或间接与之有关，可 以从正态分布中推导出来，如 t检验、f 检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈 正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。

这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的， 该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。返回搜狐，查看更多