用t分佈理論來推論差異發生的機率，從而比較兩個平均數的差異是否顯著。理論上，即使樣本量很小時，也可以進行t檢驗。只要每組中變數呈正態分佈，兩組方差不會明顯不同。
單樣本T檢驗：常用於樣本均值與總體均值的比較。
獨立樣本T檢驗：常用於兩個獨立樣本之間均值的比較。
配對樣本T檢驗：常用於在某種程度上相關的兩個樣本之間均值的比較。這個某種程度相關，主要對應有這麼兩種形式：同一樣本在不同時刻產生的結果（比如同一個活動頁採用前後採用兩種引流策略）或兩個緊密聯絡的樣本分別測量產生的結果（比如雙胞胎的IQ測試）。
1、找到相關係數顯著性檢驗表；2、然後確定自由度（n-m-1）,n,m分別代表樣本個數和未知量維度；3、查詢a0.01，a0.05，a.010對應的值；4、將相關係數r與a比較，確定顯著性水平。
1、為什麼要對相關係數進行顯著性檢驗？原因：所有的假設檢驗都是要分析顯著性的，拿相關係數來說，我們雖然求得了相關係數值，但是這個相關係數有沒有統計學意義呢？換句話說，我們看到的這個相關係數是確實存在呢？還是說只是抽樣誤差導致的？顯著性檢驗就是要解決這個問題的，如果顯著，則表明相關的確存在，不是抽樣誤差導致的。
2、顯著性檢驗是對誰進行檢驗？顯著性檢驗的虛無假設是變數間相關係數為0，也就是說，我們做顯著性檢驗要解決的問題是相關係數是不是0，如果得到顯著的結果，則代表相關存在，相關係數不為0.
3、sig.=0.000說明了什麼呢？sig=0.000說明顯著性水平p值小於0.001，即相關係數在0.001水平顯著。這裡的0.000其實並不是說真的是等於0，如果你在這個數字上三擊滑鼠，可以看到真實值
主要考慮的因素包括樣本量、相關樣本或獨立樣本、單側檢驗或雙側、樣本是否滿足正態分佈、方差是否齊性。
差異顯著性檢驗用於比較兩個或者多個樣本的差異是否顯著；在統計學中，差異顯著性檢驗是”統計假設檢驗“的一種，用於檢測科學實驗中實驗組與對照組之間是否有差異以及差異是否顯著的辦法。在實驗進行過程中，儘管儘量排除隨機誤差的影響，以突出實驗的處理效果，但由於個體間無法避免的差異，以及諸多無法控制的因素，使得實驗結果最後表現的觀察值處理處理效應之外，還包括實驗誤差的效應。因此對兩個樣本進行比較時，必須判斷
顯著性檢驗（SignificanceTesting）顯著性檢驗就是事先對總體（隨機變數）的引數或總體分佈形式做出一個假設，然後利用樣本資訊來判斷這個假設（原假設）是否合理，即判斷總體的真實情況與原假設是否顯著地有差異。或者說，顯著性檢驗要判斷樣本與我們對總體所做的假設之間的差異是純屬機會變異，還是由我們所 ...
1、首先應該認識到，簡單斜率和簡單效應都是在具有互動作用的情況下進行的。兩個自變數的互動作用對因變數的效應顯著。
2、模型的擬合度是用R和R方來表示的，一般大於0.4就可以了；自變數的顯著性是根據各個自變數係數後面的Sig值判斷的，如果小於0.05可以說在95%的顯著性水平下顯著，小於0.01就可以說 ...
卡方檢驗和t檢驗的區別：
1、卡方檢驗是用途非常廣的一種假設檢驗方法，它在分類資料統計推斷中的應用，包括：兩個率或兩個構成比比較的卡方檢驗；多個率或多個構成比比較的卡方檢驗以及分類資料的相關分析等。
2、T檢驗，亦稱studentt檢驗（Student'sttest），主要用於樣本含量較小 ...
卡方檢驗與t檢驗的區別：
1、卡方檢驗是用途非常廣的一種假設檢驗方法，它在分類資料統計推斷中的應用，包括：兩個率或兩個構成比比較的卡方檢驗；多個率或多個構成比比較的卡仿檢驗以及分類資料的相關分析等。
2、T檢驗，亦稱studentt檢驗(Student'sttest)，主要用於樣本含量較小 ...
兩獨立樣本，是2個不同的相互獨立的樣本，t檢驗可以進行均值比較。
操作：
在點選單欄Analyze到Compare mean到IndependentSamples T Test就可以檢驗了。
資料報是透過網路傳輸的資料的基本單元，包含一個報頭和資料本身，其中報頭描述了資料的目的地以及和其它資料 ...
spss進行獨立樣本T檢驗，首先獨立樣本T檢驗要滿足得是正態分佈，之後根據方差齊性程度來判斷選擇顯著性差異。
首先，組別是在一列，樣本數值在一列，其命名可以在變數檢視那裡進行更高，還有組別的命名在值選項那裡進行
之後，要保證正態性，可以用分析-描述統計-探索-繪製-正態分佈之後進行分析
符合正 ...
顯著性水平是估計總體引數落在某一區間內，可能犯錯誤的機率，用α表示。顯著性是對差異的程度而言的，程度不同說明引起變動的原因也有不同：一類是條件差異，一類是隨機差異。它是在進行假設檢驗時事先確定一個可允許的作為判斷界限的小機率標準。
顯著性水平是在進行假設檢驗時事先確定一個可允許的作為判斷界限的小機率標 ...