两独立样本t检验spss结果怎么看

可以使用在线spss平台SPSSAU进行分析，结果比较容易解读。

共输出t值和P值，以及还有平均值与标准差值。

从分析角度看P值和平均值更有意义，首先看P值大小，判断两组数据是否有显著性差异，P<0.05代表呈现出显著性差异，反之，则没有。具体差异可对比平均值大小。

两独立样本spss结果里，第一个表是描述性统计；第二个表，左边是方差齐性检验；

如果F值的Gig大于0.05，方差齐性，看右边t检验的第一行，t值，Sig就是p。如果F值的Gig小于0.05，方差不齐性，看右边t检验的第二行，t值，Sig就是p。

扩展资料

功能介绍

数据管理

在10版以后，SPSS的每个新增版本都会对数据管理功能作一些改进，以使用户的使用更为方便。13版中的改进可能主要有以下几个方面：

1、超长变量名：在12版中，变量名已经最多可以为64个字符长度，13版中可能还要大大放宽这一限制，以达到对当今各种复杂数据仓库更好的兼容性。

2、改进的Autorecode过程：该过程将可以使用自动编码模版，从而用户可以按自定义的顺序，而不是默认的ASCII码顺序进行变量值的重编码。另外，Autorecode过程将可以同时对多个变量进行重编码，以提高分析效率。

3、改进的日期/时间函数：本次的改进将集中在使得两个日期/时间差值的计算，以及对日期变量值的增减更为容易上。

结果报告

从10版起，对数据和结果的图表呈现功能一直是SPSS改进的重点。在16版中，SPSS推出了全新的常规图功能，报表功能也达到了比较完善的地步。13版将针对使用中出现的一些问题，以及用户的需求对图表功能作进一步的改善。

1、统计图：在经过一年的使用后，新的常规图操作界面已基本完善，本次的改进除使得操作更为便捷外，还突出了两个重点。首先在常规图中引入更多的交互图功能；

带误差线的分类图形如误差线条图和线图，三维效果的简单、堆积和分段饼图等。其次是引入几种新的图形，已知的有人口金字塔和点密度图两种。

2、统计表：几乎全部过程的输出都将会弃用文本，改为更美观的枢轴表。而且枢轴表的表现和易用性会得到进一步的提高，并加入了一些新的功能；

如可以对统计量进行排序、在表格中合并/省略若干小类的输出等。此外，枢轴表将可以被直接导出到PowerPoint中，这些无疑都方便了用户的使用。

参考资料：spss.百度百科

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。

1.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<0.05，说明不满足方差齐性，我们认为方差是不齐的。

2.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。

3.我们看第二行数据，sig值>0.05，说明方差是齐性的。

4.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（0.05)，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：1.来自正态分布总体； 2.随机样本 ；3.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

两独立样本spss结果里，第一个表是描述性统计;第二个表，左边是方差齐性检验;

如果F值的Gig大于0，05，方差齐性，看右边t检验的第一行，t值，Sig就是p。如果F值的Gig小于0，05，方差不齐性，看右边t检验的第二行，t值，Sig就是p。

扩展资料

对应的第一行的p值0，510，第一行t值0，659，

独立样本t检测包括两个检验：前一个是方差齐性检验（也就是Levene检验），后一个t检验。方差齐性检验是t检验的前提。所以看结果先看方差齐性检验结果。

如自主学习动机这一项，方差齐性检验结果sig，值，也就是p值0，630>0，05，说明方差齐性（方差相等）。之后的结果全部都要看第一行，也就是假设方差相等这一行。

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=-5.172  显著性（双尾）=0.000，显著性双尾就是P，即P=0.000 ，那么我我们的P<0.05,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=-5.171 P=0.000，如果P小于0.05，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0.000，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”