使用顯著性分析方法的優點

⑴ spss差異顯著性分析怎麼樣

打開數據，依次點擊：analyse--regression，打開多元線性回歸對話框。將因變數和自變數放入格子的列表裡，上面的是因變數，下面的是自變數。

設置回歸方法，這里選擇最簡單的方法：enter，它指的是將所有的變數一次納入到方程。其他方法都是逐步進入的方法。等級資料，連續資料不需要設置虛擬變數。多分類變數需要設置虛擬變數。

虛擬變數ABCD四類，以a為參考，那麼解釋就是b相對於a有無影響，c相對於a有無影響，d相對於a有無影響。

方差分析

用於正態分布、方差齊性的多組比較，即多個處理平均數之間差異的顯著性檢驗。常見的有單因素分組的多樣本均數比較及雙因素分組的多個樣本均數的比較，方差分析首先是比較各組間總的差異，如總差異有顯著性，再進行組間的兩兩比較，組間比較用q檢驗或LST檢驗等。

⑵ 什麼事顯著性分析

1.概念與意義 在假設檢驗中，顯著性水平顯著性水平顯著性水平顯著性水平（（（（Significant level，，，，用用用用α表示表示表示表示））））的確定是假設檢驗中至關重要的問題。 顯著性水平是在原假設成立時檢驗統計量的值落在某個極端區域的概率值。因此，如果取α= 0.05，如果計算出的p值小於α ，則可認為原假設是一個不可能發生的小概率事件。當然，如果真的發生了，則犯錯誤的可能性為5%。顯然，顯著性水平反映了拒絕某一原假設時所犯錯誤的可能性，或者說， α是指拒絕了事實上正確的原假設的概率。 2.通常的取值 α值一般在進行假設檢驗前由研究者根據實際的需要確定。 常用的取值是0.05或0.01。對於前者，相當於在原假設事實上正確的情況下，研究者接受這一假設的可能性為95%；對於後者，則研究者接受事實上正確的原假設的可能性為99%。 顯然，降低α值可以減少拒絕原假設的可能性。因此，在報告統計分析結果時，必須給出α值。 3.進行統計推斷 在進行假設檢驗時，各種統計軟體均會給出檢驗統計量觀測值以及原假設成立時該檢驗統計量取值的相伴概率（即檢驗統計量某特定取值及更極端可能值出現的概率，用p表示）。 p值是否小於事先確定的α值，是接受或拒絕原假設的依據。 如果p值小於事先已確定的α值，就意味著檢驗統計量取值的可能性很小，進而可推斷原假設成立的可能性很小，因而可以拒絕原假設。相反，如果p值大於事先已確定的α值，就不能拒絕原假設。 在計算機技術十分發達，以及專業統計軟體功能十分強大的今天，計算檢驗統計量及其相伴概率是一件十分容易的事情。 然而，在20世紀90年代以前，只有服從標准正態分布的檢驗統計量，人們可以直接查閱事先准備好的標准正態分布函數表，從中獲得特定計算結果的相伴概率。而對於的服從t-分布、F-分布、卡方分布或其它特殊的理論分布的檢驗統計量（大多數的假設檢驗是這樣），人們無法直接計算相伴概率。人們通常查閱各類假設檢驗的臨界值表進行統計推斷。這些表格以自由度和很少的幾個相伴概率（通常為0.1、0.05和0.01）為自變數，以檢驗統計量的臨界值為函數排列。 在進行統計推斷時，人們使用上述臨界值表根據事先確定的顯著性水平，查閱對應於某一自由度和特定相伴概率的檢驗統計量的臨界值，然後將所計算出的檢驗統計量與該臨界值相比較。如果檢驗統計量的計算值大於臨界值，即實際的相伴概率小於事先規定的顯著性水平，便可拒絕原假設。否則，可接受原假設。 4.舉例 在根據顯著性水平進行統計推斷時，應注意原假設的性質。 以二元相關分析為例，相關分析中的原假設是「相關系數為零」（即2個隨機變數間不存在顯著的相關關系）。如果計算出的檢驗統計量的相伴概率（p值）低於事先給定α值（如0.05），就可以認為「相關系數為零」的可能性很低， 既2個隨機變數之間存在顯著的相關關系。 在正態分布檢驗時，原假設是「樣本數據來自服從正態分布的總體」。此時，如果計算出的檢驗統計量的相伴概率（p值）低於事先給定α值（如0.05），則表明數據不服從正態分布。只有p值高於α值時，數據才服從正態分布。這與相關分析的假設檢驗不同。 5.作者在描述相關分析結果時常有的失誤 僅給出相關系數的值，而不給出顯著性水平。這就無法判斷2個隨機變數間的相關性是否顯著。 有時作者不是根據顯著性水平判斷相關關系是否顯著，而是根據相關系數的大小來推斷（相關系數越近1，則相關關系越顯著）。問題是，相關系數本身是一個基於樣本數據計算出的觀測值，其本身的可靠性尚需檢驗。 此外，作者在論文中常常用「顯著相關」和「極顯著相關」來描述相關分析結果，即認為p值小於0.05就是顯著相關關系（或顯著相關），小於0.01就是極顯著相關關系（或極顯著相關）。 在假設檢驗中，只有 「顯著」和 「不顯著」，沒有「極顯著」這樣的斷語。只要計算出的檢驗統計量的相伴概率（p值）低於事先確定的α值，就可以認為檢驗結果「顯著」（相關分析的原假設是「相關系數為零」，故此處的「顯著」實際意味著「相關系數不為零」，或說「2個隨機變數間有顯著的相關關系」）；同樣，只要計算出的檢驗統計量的相伴概率（p值）高於事先確定的α值，就可以認為檢驗結果「不顯著」。 在進行相關分析時，不能同時使用0.05和0.01這2個顯著性水平來決定是否拒絕原假設，只能使用其中的1個。

⑶ 為什麼要進行顯著性檢驗

看因素之間的相互作用是不是明顯 簡單的說

⑷ 為什麼要對相關系數進行顯著性檢驗

進行顯著性檢驗是為了消除Ⅰ類錯誤和Ⅱ類錯誤。

確定兩個變數相關之後，兩個變數之間的相關是否是因為偶然因素產生的，如果是因為抽樣造成的，就沒有必要去探究，如果不是因為機遇造成的，就說明其背後存在一個系統的因素，即必然性，這個時候我們就有必要去深究其顯著性。

通常情況下，α水平屬於第一類錯誤。第一類錯誤是零假設為真卻被錯誤拒絕的概率。第二類錯誤(是零假設為誤卻被錯誤接受的概率或是研究假設為真卻被拒絕的概率。

如果P值小於某個事先確定的水平，理論上則拒絕零假設，反之，如果P值大於某個事先確定的水平，理論上則不拒絕零假設。

(4)使用顯著性分析方法的優點擴展閱讀

顯著度檢驗的六步：

（1） 研究假設H1 ，即假設兩個變數之間有關，注意這里的有關是指有系統的關系，即顯著關系；

（2）零假設 H0 ，又被學者稱為虛無假設，即兩個變數之間沒有顯著關系；

（3）根據變數類型選擇檢驗方法；

（4）決定願意承擔多大的犯一類錯誤的風險，這與是否放棄零假設有關；

（5）根據樣本計算犯一類錯誤的風險

一類錯誤：即棄真，當零假設為真時，卻拒絕了零假設，二類錯誤：即納偽，當零假設為假時，卻接受了零假設；

（6）參照第4—5步決定是否放棄零假設

當根據樣本計算的犯一類錯誤的風險小於願意承擔的犯一類錯誤的風險的時候，則接受零假設，反之則拒絕零假設。

⑸ 闡述置信區間法和顯著性檢驗法的不同之處

幽門螺桿菌可引起多種胃病，包括胃炎、胃潰瘍、十二指腸潰瘍、非潰瘍性消化不良、胃癌等。因此，根除幽門螺桿菌已經成為現代消化道疾病治療的重要措施。為明確患者有無幽門螺桿菌的感染，臨床上需要一種敏感性高、特異性強、快速、簡單、安全、廉價的Hp診斷方法，也就是碳14呼氣試驗。該檢查以及無痛、無創、快速簡便、無交叉感染的優點，被國內外專家一致推薦為診斷Hp的金標准，在臨床上已被廣泛推廣應用。

⑹ 什麼是顯著性檢驗顯著性檢驗的目的是什麼怎樣表述"顯著"與"不顯著

1、看是否獨立；2、看是否服從正態分布；3、方差是否具有齊性 如果都滿足，做兩獨立樣本資料t檢驗就沒問題了

⑺ 如何進行顯著性分析

利用SPSS進行統計檢驗

在教育技術研究中，經常需要利用不同的教學媒體或教學資源對不同的對象進行教學改革試驗，但教學試驗的總體往往都有較大數量，限於人力、物力與時間，通常都採用抽取一定的樣本作為研究對象，這樣，就存在樣本的特徵數量能否反映總體特徵的問題，也存在著兩種不同的樣本的數量標志的參數是否存在差異的問題，這就必需對樣本量數進行定量分析與推斷，在教育統計學中稱為「統計檢驗」。

一、統計檢驗的基本原理

統計檢驗是先對總體的分布規律作出某種假說，然後根據樣本提供的數據，通過統計運算，根據運算結果，對假說作出肯定或否定的決策。如果現要檢驗實驗組和對照組的平均數（μ1和μ2）有沒有差異，其步驟為：
1．建立虛無假設，即先認為兩者沒有差異，用表示；
2．通過統計運算，確定假設成立的概率P。
⒊ 根據P 的大小，判斷假設是否成立。如表6-12所示。

二、大樣本平均數差異的顯著性檢驗——Z檢驗

Z檢驗法適用於大樣本（樣本容量小於30）的兩平均數之間差異顯著性檢驗的方法。它是通過計算兩個平均數之間差的Z分數來與規定的理論Z值相比較，看是否大於規定的理論Z值，從而判定兩平均數的差異是否顯著的一種差異顯著性檢驗方法。其一般步驟：

第一步，建立虛無假設，即先假定兩個平均數之間沒有顯著差異。
第二步，計算統計量Z值，對於不同類型的問題選用不同的統計量計算方法。

（1）如果檢驗一個樣本平均數（）與一個已知的總體平均數()的差異是否顯著。其Z值計算公式為：

其中是檢驗樣本的平均數；
是已知總體的平均數；
S是樣本的方差；
n是樣本容量。
（2）如果檢驗來自兩個的兩組樣本平均數的差異性，從而判斷它們各自代表的總體的差異是否顯著。其Z值計算公式為：

其中，1、2是樣本1，樣本2的平均數；
是樣本1，樣本2的標准差；
是樣本1，樣本2的容量。
第三步，比較計算所得Z值與理論Z值，推斷發生的概率，依據Z值與差異顯著性關系表作出判斷。如表6-13所示。

第四步，根據是以上分析，結合具體情況，作出結論。

【例6-5】某項教育技術實驗，對實驗組和控制組的前測和後測的數據分別如表6-14所示，比較兩組前測和後測是否存在差異。

由於n＞30，屬於大樣本，應採用Z檢驗。由於這是檢驗來自兩個不同總體的兩個樣本平均數，看它們各自代表的總體的差異是否顯著，所以採用雙總體的Z檢驗方法。
計算前測Z的值

= -0.658

∵=0.658＜1.96
∴ 前測兩組差異不顯著。
再計算後測Z的值

= 2.16

∵ = 2.16＞1.96
∴ 後測兩組差異顯著。

三、小樣本平均差異的顯著性檢驗——t檢驗
t檢驗是用於小樣本（樣本容量小於30）時，兩個平均值差異程度的檢驗方法。它是用t分布理論來推斷差異發生的概率，從而判定兩個平均數的差異是否顯著。其一般步驟如下：
第一步，建立虛無假設，即先假定兩個總體平均數之間沒有顯著差異。
第二步，計算統計量t值，對於不同類型的問題選用不同的統計量計算方法。
（1）如果要評斷一個總體中的小樣本平均數與總體平均值之間的差異程度，其統計量t值的計算公式為：

（2）如果要評斷兩組樣本平均數之間的差異程度，其統計量t值的計算公式為：

第三步，根據自由度df= n-1，查t值表，找出規定的t理論值（見附錄）並進行比較。理論值差異的顯著水平為0.01級或0.05級。不同自由度的顯著水平理論值記為t (df)0.01和t (df)0.05
第四步，比較計算得到的t值和理論t值，推斷發生的概率，依據表6-15給出的t值與差異顯著性關系表作出判斷。

第五步，根據是以上分析，結合具體情況，作出結論

⑻ 置信區間、顯著性檢驗和統計學意義

置信區間、顯著性檢驗和統計學意義
置信區間
估計參數真值所在的范圍通常以區間的形式給出，同時還給出此區間包含參數真值的可信程度，這種形式的估計稱為區間估計，這樣的區間稱為置信區間。
對於任意參數θ在可能的取值范圍內，P{θ1<θ<θ2}≥1-α，則稱隨機區間（θ1，θ2）是參數θ的置信水平為1-α的置信區間，θ1和θ2分別稱為置信水平為1-α的雙側置信區間的置信下限和置信上限，1-α稱為置信水平。
對於特殊問題，我們關心的是重點在於參數θ的上限或下限，比如對於設備的使用壽命，關心平均壽命的「下限」；對於葯品中雜質含量，關心平均含量的「上限」。對於任意參數θ在可能的取值范圍內，P{θ<θ2}≥1-α或P{θ>θ1}≥1-α，則稱隨機區間（-∞，θ2）或（θ1，∞）是參數θ的置信水平為1-α的單側置信區間，θ1和θ2分別稱為置信水平為1-α的單側置信下限和單側置信上限。
顯著性檢驗
統計推斷（statistical inference），是根據帶隨機性的觀測數據（樣本）以及問題的條件和假定（模型），而對未知事物，作出的以概率形式表述的推斷。主要包括參數估計和假設檢驗。
參數估計包括點估計和區間估計。點估計包括矩估計法和最大似然估計法。
假設檢驗：在總體的分布函數完全未知或只知其形式、但不知其參數的情況，為了推斷總體的某些未知特性，提出某些關於總體的假設。再根據樣本，對所提出的假設作出是接受，還是拒絕的決策。假設檢驗是作出這一決策的過程。
對兩者有無顯著性差異的判斷是在顯著性水平α之下作出的。顯著性水平α為滿足原假設時，發生不可能事件的概率的上限。如果樣本發生的概率小於顯著性水平α，證明小概率事件（不可能事件）發生了，樣本與假設的差異是顯著的，故拒絕原假設；否則，接受原假設。顯著性水平α即為拒絕原假設的標准。P值和sig值表示在原假設的條件下，樣本發生的概率，也是拒絕原假設的依據。
由於檢驗法則是根據樣本作出的，總有可能作出錯誤的決策。在原假設為真時，可能犯拒絕原假設的錯誤，稱這類「棄真」的錯誤為第一類錯誤；在原假設為不真時，有可能接受原假設，稱這類「取偽」的錯誤為第二類錯誤。
一般來說，我們總是控制第一類錯誤的概率，使它不大於顯著性水平α。α的大小視具體情況而定，通常取0.1,0.05,0.01,0.005 等值。只對第一類錯誤的概率加以控制，而不考慮第二類錯誤的概率的檢驗，稱為顯著性檢驗。區分雙邊假設檢驗和單邊假設檢驗。
無論是顯著性相關，還是顯著性差異，顯著性表示的意義為出現該情況的概率大於1-α。
Z檢驗：單個總體，方差已知，關於均值的檢驗。
T檢驗：單個總體，方差未知，關於均值的檢驗；兩個總體，方差相同，關於均值差的檢驗；兩個總體，方差未知，配對出現，關於均值差的檢驗（配對t檢驗：配對求差值，構成單個總體）。
卡方檢驗：單個總體，均值未知，關於方差的檢驗。
F檢驗：兩個總體，均值未知，關於方差的檢驗。
T檢驗、F檢驗和統計學意義（P值或sig值）
1. T檢驗和F檢驗的由來
一般而言，為了確定從樣本(sample)統計結果推論至總體時所犯錯的概率，我們會利用統計學家所開發的一些統計方法，進行統計檢定。
通過把所得到的統計檢定值，與統計學家建立了一些隨機變數的概率分布(probability distribution)進行比較，我們可以知道在多少%的機會下會得到目前的結果。倘若經比較後發現，出現這結果的機率很少，亦即是說，是在機會很少、很罕有的情況下才出現；那我們便可以有信心的說，這不是巧合，是具有統計學上的意義的(用統計學的話講，就是能夠拒絕虛無假設nullhypothesis,Ho)。相反，若比較後發現，出現的機率很高，並不罕見；那我們便不能很有信心的直指這不是巧合，也許是巧合，也許不是，但我們沒能確定。
F值和t值就是這些統計檢定值，與它們相對應的概率分布，就是F分布和t分布。統計顯著性（sig）就是出現目前樣本這結果的機率。
2. 統計學意義（P值或sig值）
19樓空間eo-{y"k8w%p~;u結果的統計學意義是結果真實程度（能夠代表總體）的一種估計方法。專業上，p值為結果可信程度的一個遞減指標，p值越大，我們越不能認為樣本中變數的關聯是總體中各變數關聯的可靠指標。p值是將觀察結果認為有效即具有總體代表性的犯錯概率。如p=0.05提示樣本中變數關聯有5%的可能是由於偶然性造成的。即假設總體中任意變數間均無關聯，我們重復類似實驗，會發現約20個實驗中有一個實驗，我們所研究的變數關聯將等於或強於我們的實驗結果。（這並不是說如果變數間存在關聯，我們可得到5%或95%次數的相同結果，當總體中的變數存在關聯，重復研究和發現關聯的可能性與設計的統計學效力有關。）在許多研究領域，0.05的p值通常被認為是可接受錯誤的邊界水平。
通常，原假設為無差別，若P值小於邊界水平（比如0.05），小概率事件發生了，推翻原假設，認為差別是顯著的。
所有的檢驗統計都是正態分布的嗎
並不完全如此，但大多數檢驗都直接或間接與之有關，可以從正態分布中推導出來，如t檢驗、f檢驗或卡方檢驗。這些檢驗一般都要求：所分析變數在總體中呈正態分布，即滿足所謂的正態假設。許多觀察變數的確是呈正態分布的，這也是正態分布是現實世界的基本特徵的原因。當人們用在正態分布基礎上建立的檢驗分析非正態分布變數的數據時問題就產生了，（參閱非參數和方差分析的正態性檢驗）。這種條件下有兩種方法：一是用替代的非參數檢驗（即無分布性檢驗），但這種方法不方便，因為從它所提供的結論形式看，這種方法統計效率低下、不靈活。另一種方法是：當確定樣本量足夠大的情況下，通常還是可以使用基於正態分布前提下的檢驗。後一種方法是基於一個相當重要的原則產生的，該原則對正態方程基礎上的總體檢驗有極其重要的作用。即，隨著樣本量的增加，樣本分布形狀趨於正態，即使所研究的變數分布並不呈正態。

⑼ 顯著性差異分析

先將全部平均數從大到小順序排列，然後在最大的平均數上標上字母 a ，並將該平均數依次和其以下各平均數相比，凡差異不顯著的都標字母 a ，直至某一個與之相差顯著的平均數則標以字母 b 。再以該標有 b 的平均數為標准，與上方各個比它大的平均數比，凡不顯著的也一律標以字母 b ；再以標有 b 的最大平均數為標准，與以下各未標記的平均數比，凡不顯著的繼續標以字母 b ，直至某一個與之相差顯著的平均數則標以字母 c ……如此重復下去，直至最小的一個平均數有了標記字母為止。這樣各平均數間，凡有一個標記相同字母的即為差異不顯著，凡具不同標記字母的即為差異顯著。在實際應用時，一般以大寫字母 A.B.C…… 表示α =0.01 顯著水平，以小寫字母 a.b.c…… 表示α =0.05 顯著水平。

⑽ 假設檢驗有什麼優點啊

假設檢驗是抽樣推斷中的一項重要內容。它是根據原資料作出一個總體指標是否等於某一個數值，某一隨機變數是否服從某種概率分布的假設，然後利用樣本資料採用一定的統計方法計算出有關檢驗的統計量，依據一定的概率原則，以較小的風險來判斷估計數值與總體數值(或者估計分布與實際分布)是否存在顯著差異，是否應當接受原假設選擇的一種檢驗方法。 用樣本指標估計總體指標，其結論有的完全可靠，有的只有不同程度的可靠性，需要進一步加以檢驗和證實。通過檢驗，對樣本指標與假設的總體指標之間是否存在差別作出判斷，是否接受原假設。這里必須明確，進行檢驗的目的不是懷疑樣本指標本身是否計算正確，而是為了分析樣本指標和總體指標之間是否存在顯著差異。從這個意義上，假設檢驗又稱為顯著性檢驗。