常用显著性检验.
显著性检验
显著性检验对所有自变量与因变量之间的直线回归关系的拟合程度，可以用统计量R2来度量，其公式如下：TSS(Total Sum of Squares)称为总平方和，其值为，体现了观测值y1,y2,…,y n总波动大小，认为是在执行回归分析之前响应变量中的固有变异性。
ESS(Explained Sum of Squares)称为回归平方和，是由于y与自变量x1,x2,…,x n的变化而引起的，其值为，体现了n个估计值的波动大小。
RSS(Residual Sum of Squares)称为残差平方和，其值为。
R2称为样本决定系数，对于多元回归方程，其样本决定系数为复决定系数或多重决定系数。
回归模型的显著性检验包括：①对整个回归方程的显著性检验；②对回归系数的显著性检验。
对整个回归方程的显著性检验的假设为“总体的决定系统ρ2为零”，这个零假设等价于“所有的总体回归系数都为零”，即：检验统计量为R2，最终检验统计量为F比值，计算公式为：F比值的意义实际上是“由回归解释的方差”与“不能解释的方差”之比。
检验回归方程是否显著的步骤如下。
第1步，做出假设。
备择假设H1:b1,b2,…,b k不同时为0。
第2步，在H0成立的条件下，计算统计量F。
第3步，查表得临界值。
对于假设H0，根据样本观测值计算统计量F，给定显著性水平α，查第一个自由度为k，第二个自由度为n-k-1的F分布表得临界值F(k,n-k-1)。
当F≥Fα(k,n-k-1)时，拒绝假设H0，则认为回归方程α显著成立；当F＜Fα(k,n-k-1)时，接受假设H0，则认为回归方程无显著意义。
对某个回归参数βi的显著性检验的零假设为：H0：βi=0，检验的最终统计量为：具体步骤如下。
(1)提出原假设H0:βi=0；备择假设H1:βi≠0。
(2)构造统计量，当βi=0成立时，统计量。
这里是的标准差，k为解释变量个数。
(3)给定显著性水平α，查自由度为n-k-1的t分布表，得临界值。
几种常见的显著性检验方法
几种常见的显著性检验方法常见的显著性检验方法有单样本t检验、双样本配对t检验、双样本独立t检验、方差分析（ANOVA）、卡方检验和皮尔逊相关分析。
本文将对每种显著性检验方法进行详细介绍。
单样本t检验是一种用于检验一个样本均值是否显著不同于一些给定的总体均值的统计方法。
该方法的原理是将样本均值与总体均值进行比较，计算出一个t值。
根据t值的大小和自由度，可以查找相应的临界值，从而得出显著性检验的结果。
双样本配对t检验也称为相关样本t检验，用于比较两个相关样本或两个相关变量之间的均值差异是否显著。
该方法的原理是将两个相关样本的均值差异与零进行比较，计算出一个t值。
根据t值的大小和自由度，可以查找相应的临界值，从而得出显著性检验的结果。
双样本独立t检验用于比较两个独立样本或两个独立变量之间的均值差异是否显著。
该方法的原理是将两个独立样本的均值差异与零进行比较，计算出一个t值。
根据t值的大小和自由度，可以查找相应的临界值，从而得出显著性检验的结果。
方差分析（ANOVA）是一种用于比较两个或更多个样本或组之间均值差异是否显著的统计方法。
该方法的原理是将不同组之间的均值差异与总均值差异进行比较，计算出一个F值。
根据F值的大小和自由度，可以查找相应的临界值，从而得出显著性检验的结果。
卡方检验用于比较观察频数与期望频数之间的差异是否显著。
该方法的原理是通过计算观察频数和期望频数之间的卡方值，进而判断观察频数是否与期望频数存在显著差异。
皮尔逊相关分析用于评估两个变量之间的线性关系是否显著。
该方法的原理是通过计算两个变量之间的皮尔逊相关系数，从而判断变量之间的关系是否显著。
需要注意的是，在进行显著性检验时，首先需要确定假设，即原假设和备择假设。
原假设通常表示为没有显著差异或没有关系，备择假设则表示存在显著差异或存在关系。
根据样本数据计算出的检验统计量与临界值进行比较，如果检验统计量落在拒绝域（即临界值的范围内），则拒绝原假设，认为差异或关系是显著的。
显著性检验(Significance Testing)
显著性检验（Significance T esting）显著性检验就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（原假设）是否合理，即判断总体的真实情况与原假设是否显著地有差异。
或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。
显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。
抽样实验会产生抽样误差，对实验资料进行比较分析时，不能仅凭两个结果（平均数或率）的不同就作出结论，而是要进行统计学分析，鉴别出两者差异是抽样误差引起的，还是由特定的实验处理引起的。
[编辑]显著性检验的含义显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显著的方法。
常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。
⑴在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；⑵在原假设不真时，决定接受原假设，称为第二类错误，其出现的概率通常记作β。
通常只限定犯第一类错误的最大概率α，不考虑犯第二类错误的概率β。
这样的假设检验又称为显著性检验，概率α称为显著性水平。
最常用的α值为0.01、0.05、0.10等。
一般情况下，根据研究的问题，如果犯弃真错误损失大，为减少这类错误，α取值小些，反之，α取值大些。
[编辑]显著性检验的原理无效假设显著性检验的基本原理是提出“无效假设”和检验“无效假设”成立的机率（P）水平的选择。
所谓“无效假设”，就是当比较实验处理组与对照组的结果时，假设两组结果间差异不显著，即实验处理对结果没有影响或无效。
经统计学分析后，如发现两组间差异系抽样引起的，则“无效假设”成立，可认为这种差异为不显著（即实验处理无效）。
显著性检验
二、显著性检验方法
（一） t检验法——检验准确度的显著性差异
• 1.标准样品对照试验法：选用其组成与试样相近的标准试样， 或用纯物质配成的试液按同样的方法进行分析对照。如验证新 的分析方法有无系统误差。若分析结果总是偏高或偏低，则表 示方法有系统误差。 • 2.标准方法对照试验法：选用国家规定的标准方法或公认的可 靠分析方法对同一试样进行对照试验，如结果与所用的新方法 结果比较一致，则新方法无系统误差。
12.71
4.30 3.18 2.78 2.57 2.45 2.36 2.31 2.26 2.23 2.09 1.96
63.66
9.92 5.84 4.60 4.03 3.71 3.50 3.36 3.25 3.17 2.84 2.58
2017/1/16
7
2017/1/16
ta,f值表
f P=0.90（a=0.10） 置信度（显著性水平） P=0.95(a=0.05) P=0.99(a=0.01)
1
2 3 4 5 6 7 8 9 10 20 ∞
6.31
2.92 2.35 2.13 2.02 1.94 1.90 1.86 1.83 1.81 1.72 1.64
10.79% 10.77% t 9 1.43 0.042%
当P 0.95, f 8时，t0.05,8 2.31
因t t0.05,8 x与之间无显著性差异
2017/1/16
例2：采用不同方法分析某种试样，用第一种方法测定 11次，得标准偏差s1=0.21%；第二种方法测定9次 得到标准偏差s2=0.60%。试判断两方法的精密度间 是否存在显著差异？（P=95%）
（二） F检验法—— 检验精密度的显著性差异
显著性检验
显著性检验T检验零假设，也称稻草人假设，如果零假设为真，就没有必要把X纳入模型，因此如果X确定属于模型，则拒绝零假设Ho，接受备择假设H1，(Ho:B2=0 H1：B2≠0)假设检验的显著性检验法:t=（b2-B2）/Se(b2)服从自由度为（n-2）的t分布，如果令Ho:B2=B2*,B2*是B2的某个数值(若B2*=0)则t=（b2-B2*）/Se(b2)=（估计量—假设值）/假设量的标准误。
可计算出的t值作为检验统计量，它服从自由度为（n-2）的t分布，相应的检验过程称为t检验。
T检验时需知：①，对于双变量模型，自由度为（n-2）；②,在检验分析中，常用的显著水平α有1%，5%或10%，为避免选择显著水平的随意性，通常求出p值，p值充分小，拒绝零假设；③可用半边或双边检验。
双边T检验：若计算的ItI超过临界t值，则拒绝零假设。
显著性水平临界值t0.01 3.3550.05 2.3060.10 1.860单边检验：用于B2系数为正，假设为Ho:B2<=0, H1：B2>0显著性水平临界值t0.01 2.8360.05 1.8600.10 1.397F检验（多变量）（联合检验）F=[R2/(k-1)]/(1-R2)(n-k)=[ESS(k-1)]/RSS(n-k).n为观察值的个数，k 为包括截距在内的解释变量的个数，ESS(解释平方和)= ∑y^i2RSS(残差平方和)= ∑ei2TSS(总平方和)= ∑yi2=ESS+RSS.判定系数r2=ESS/TSSF与R2同方向变动，当R2=0（Y与解释变量X不想关），F为0，R2值越大，F值也越大，当R2取极限值1时，F值趋于无穷大。
F检验（用于度量总体回归直线的显著性）也可用于检验R2的显著性—R2是否显著不为0，即检验零假设式(Ho:B2=B3=0)与检验零假设R2为0是等价的。
虚拟变量虚拟变量即定性变量，通常表明具备或不具备某种性质，虚拟变量用D表示。
显著性检验方法在数据分析中的应用
显著性检验方法在数据分析中的应用随着数据时代的到来，数据分析在各个领域中变得越来越重要。
如何有效地分析数据并得出可靠的结论成为了每个研究者面对的问题。
显著性检验方法作为一种常用的统计方法，在许多学科中得到了广泛的应用，因其合理的假设和可靠性而备受青睐。
它可以帮助研究者确定样本数据与总体数据之间是否存在显著性差异，从而推断出样本代表的总体的特征。
本文将从显著性检验的概念与意义、常用显著性检验方法、显著性检验方法在数据分析中的应用等方面进行探讨，以期为读者提供实用的参考。
一、显著性检验的概念与意义显著性检验（Significance tests），简称显著检验，是一种基于样本所得数据推断总体参数的方法。
其本质是检验一个假设是否成立，在假设成立的情况下，用样本数据计算出来的统计量的概率为多少。
这个概率也被称为P值（P-value），它反映了假设成立的条件下得到比当前观测值更极端的概率。
通过比较P值与显著水平，即α值（通常设为0.05），我们可以判断假设是否成立。
显著性检验是一个重要的统计方法，它可以帮助我们回答许多问题，例如：在两个样本之间是否存在显著性差异？在一组样本中是否存在异常值？在多组数据之间是否存在相关性？在时间序列数据中是否存在趋势等等。
显著性检验的方法种类繁多，必须根据具体问题选择合适的方法。
二、常用显著性检验方法1. 单样本T检验单样本T检验是一种检验一个连续变量的平均值是否等于特定常数的方法，常用于检验某一总体参数是否达到了研究者设定的理论水平。
2. 独立样本T检验独立样本T检验是一种用于比较两组独立样本均值是否差异显著的方法。
当我们想比较两个独立的样本在某个连续变量上的平均值是否不同时，可以采用独立样本T检验。
3. 配对样本T检验配对样本T检验是一种用于比较两组相关样本均值是否差异显著的方法。
当我们需要比较同一组个体在两个时间点或者条件下的得分时，可以采用该方法。
4. 卡方检验卡方检验是一种用于比较两个分类变量之间是否存在关联的方法，可以用来检验两个分类变量的分布是否有显著性差异。
几种常见的显著性检验方法
几种常见的显著性检验方法显著性检验是统计学中常用的一种方法，用于检验两组或多组数据之间是否存在显著差异。
下面将介绍几种常见的显著性检验方法。
1.t检验：t检验用于比较两组均值是否存在显著差异。
根据独立样本或配对样本可以分为独立样本t检验和配对样本t检验。
适用于连续型变量，要求样本满足正态分布和方差齐性的假设。
2.方差分析（ANOVA）：方差分析用于比较三组或多组均值是否存在显著差异。
适用于连续型变量，要求样本满足正态分布和方差齐性的假设。
方差分析包括单因素、多因素、重复测量、混合设计等多种类型。
3.卡方检验：卡方检验用于比较两个或多个分类变量之间是否存在显著差异。
适用于分类变量，比如性别、职业等。
卡方检验可用于检验两个分类变量之间的关联性，也可用于检验一个分类变量与一个连续型变量之间的关系。
4.相关分析：相关分析用于评估两个连续型变量之间的关系强度和方向。
常用的相关系数有皮尔逊积矩相关系数、斯皮尔曼秩相关系数和判定系数等。
相关系数的显著性检验可以帮助确定两个变量之间是否存在显著相关关系。
5.回归分析：回归分析用于建立一个或多个自变量和一个连续型因变量之间的函数关系，并用于预测因变量。
回归分析中常用的显著性检验方法有t检验、F检验和R平方检验等。
6. 生存分析：生存分析主要用于评估时间至事件发生（比如死亡、疾病复发等）之间的关系。
生存分析的主要方法有Kaplan-Meier生存曲线和Cox比例风险模型等。
生存分析通常使用对数秩检验来评估不同组别之间的显著差异。
除了以上常见的显著性检验方法，还有一些其他的检验方法，比如非参数检验（如Mann-Whitney U检验、Wilcoxon符号秩检验）、Fisher精确检验、Bootstrap检验等，这些方法适用于不满足正态分布假设或方差齐性假设的数据情况。
显著性检验方法的选择要根据数据的类型和应用背景来决定。
在进行显著性检验时，还需注意样本的大小、假设检验的前提条件以及是否需要对多重比较进行校正等问题。
统计4：显著性检验
统计4：显著性检验在统计学中，显著性检验是“假设检验”中最常⽤的⼀种，显著性检验是⽤于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法。
⼀，假设检验显著性检验是假设检验的⼀种，那什么是假设检验？假设检验就是事先对总体（随机变量）的参数或总体分布形式做出⼀个假设，然后利⽤样本信息来判断这个假设是否合理。
在验证假设的过程中，总是提出两个相互对⽴的假设，把要检验的假设称作原假设，记作H0，把与H0对⽴的假设称作备择假设，记作H1。
假设检验需要解决的问题是：指定⼀个合理的检验法则，利⽤已知样本的数据作出决策，是接受假设H0，还是拒绝假设H0。
1，假设检验的基本思想假设检验的基本思想是⼩概率反证法思想。
⼩概率思想是指⼩概率事件（P<0.01或P<0.05）在⼀次试验中基本上不会发⽣。
反证法思想是先提出原假设(记作假设H0)，再⽤适当的统计⽅法确定原假设成⽴的可能性⼤⼩：若可能性⼩，则认为原假设不成⽴；若可能性⼤，则认为原假设是成⽴的。
2，假设检验的思路假设检验思路是：先假设，后检验，通俗地来说就是要先对数据做⼀个假设，然后⽤检验来检查假设对不对。
⼀般⽽⾔，把要检验的假设称之为原假设，记为H0；把与H0相对对⽴（相反）的假设称之为备择假设，记为H1。
如果原假设为真，⽽检验的结论却劝你拒绝原假设，把这种错误称之为第⼀类错误（弃真），通常把第⼀类错误出现的概率记为α；就是说，拒绝真假设的概率是α。
如果原假设不真，⽽检验的结论却劝你接受原假设，把这种错误称之为第⼆类错误（取伪），通常把第⼆类错误出现的概率记为β；就是说，接受假假设的概率是β。
因此，在确定检验法则时，应尽可能使犯这两类错误的概率都较⼩。
⼀般来说，当样本容量固定时，如果减少犯⼀类错误的概率，则犯另⼀类错误的概率往往增⼤。
如果要使犯两类错误的概率都减少，除⾮增加样本容量。
⼆，显著性检验什么是显著性检验？在给定样本容量的情况下，我们总是控制犯第⼀类错误的概率α，这种只对犯第⼀类错误的概率加以控制，⽽不考虑犯第⼆类错误的概率β的检验，称作显著性检验。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
常用显著性检验1.t检验适用于计量资料、正态分布、方差具有齐性的两组间小样本比较。
包括配对资料间、样本与均数间、两样本均数间比较三种，三者的计算公式不能混淆。
2.t'检验应用条件与t检验大致相同，但t′检验用于两组间方差不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式。
3.U检验应用条件与t检验基本一致，只是当大样本时用U检验，而小样本时则用t检验，t检验可以代替U检验。
4.方差分析用于正态分布、方差齐性的多组间计量比较。
常见的有单因素分组的多样本均数比较及双因素分组的多个样本均数的比较，方差分析首先是比较各组间总的差异，如总差异有显著性，再进行组间的两两比较，组间比较用q检验或LST检验等。
5.X2检验是计数资料主要的显著性检验方法。
用于两个或多个百分比(率)的比较。
常见以下几种情况：四格表资料、配对资料、多于2行*2列资料及组内分组X2检验。
6.零反应检验用于计数资料。
是当实验组或对照组中出现概率为0或100％时，X2检验的一种特殊形式。
属于直接概率计算法。
7.符号检验、秩和检验和Ridit检验三者均属非参数统计方法，共同特点是简便、快捷、实用。
可用于各种非正态分布的资料、未知分布资料及半定量资料的分析。
其主要缺点是容易丢失数据中包含的信息。
所以凡是正态分布或可通过数据转换成正态分布者尽量不用这些方法。
8.Hotelling检验用于计量资料、正态分布、两组间多项指标的综合差异显著性检验。
计量经济学检验方法讨论计量经济学中的检验方法多种多样，而且在不同的假设前提之下，使用的检验统计量不同，在这里我论述几种比较常见的方法。
在讨论不同的检验之前，我们必须知道为什么要检验，到底检验什么？如果这个问题都不知道，那么我觉得我们很荒谬或者说是很模式化。
检验的含义是要确实因果关系，计量经济学的核心是要说因果关系是怎么样的。
那么如果两个东西之间没有什么因果联系，那么我们寻找的原因就不对。
那么这样的结果是没有什么意义的，或者说是意义不大的。
那么检验对于我们确认结果非常的重要，也是评价我们的结果是否拥有价值的关键因素。
所以要做统计检验。
t检验，t检验主要是检验单个ols估计值或者说是参数估计值的显著性，什么是显著性？也就是给定一个容忍程度，一个我们可以犯错误的限度，错误分为两类：1、本来是错的但是我们认为是对的。
2、本来是对的我们认为是错的。
统计的检验主要是针对第一种错误而言的。
一般的计量经济学中的这个容忍程度是5%，也就是说可以容忍我们范第一类错误的概率是5%。
这样说不准确，但是比较好理解。
t-stastic是类似标准正态化的正态分布两一样，也就是估计值减去假设值除以估计值得标准差，一般假设值是0，这一点不难理解，如果是0 ，那么也就意味着没有因果关系。
这个t-static在经典假设之下服从t分布。
t分布一般是和正态分布差不多，尤其是当样本的量足够大的时候，一般的经验认为在样本数量大于120的时候，就可以看成是正态分布的。
F-statistc：F检验是属于联合检验比较重要的一种，主要的目的是用于对于一系列的原因的是否会产生结果这样一个命题做出的检验。
F统计量主要的产生来源是SSR\SST\SSE三个量。
但是这个检验有一个缺点是必须在经典假设之下才能有效。
LM检验：这个检验的性质和F检验的性质是一样的，都是检验联合显著性的，不同的是F统计量符合F分布，但是LM统计量服从卡方分布。
卡方分布是正态分布的变量的平方和，而F分布是卡方分布的商，并且分子和分布必须独立，这就是为什么F检验适用范围受限的原因。
LM=n*SSR、或者是LM=n-SSR。
至于其他的White检验、Brusch-pagan检验（异方差的检验方法）、还有序列相关的t检验、DW检验基本原来是相同的。
关于异方差检验、序列相关的检验其中存在不同的地方，但是思想基本是相同的。
关于异方差检验的讨论：1、Brusch-pagan检验：这个检验的思路比较简单，主要是要研究残查和X之间的关系，给定这样的一个方程：u=b0+b1*x1+……+bn*xn+u'的回归，其中进行F检验和LM检验。
如果检验通过那么不存在异方差，如果不通过那么存在异方差。
2、White检验：这个检验也是对异方差的检验，但是这个检验不同的是不仅对于X的一次方进行回归，而且考虑到残查和x的平方还有Xi*Xj之间的关系。
给定如下方程：u=b0+b1*y+b2*y^2+u'。
也是用F和LM联合检验来检验显著性。
如果通过那么不存在异方差，否则存在。
序列相关的检验方法的讨论：对于时间序列的问需要知道一个东西，也就是一介自回归过程，也就是一般在教科书中说到的：AR(1)过程，其中的道理主要是说在当期的变量主要是取决于过去一个时期的变量和一个随机误差项。
表示如下：Ut=p*U(t-1)+et。
在这里我要说到几个概念问题，I(1)（一阶积整）、I(0)（零阶积整）。
其中的一介自回归过程AR(1)就属于零阶积整过程，而一阶积整过程实际上是随机游动和飘移的随机游动过程。
随机游动过程：Ut=U(t-1)+et。
也就是在AR(1)的过程之下，其中的P是等于1的。
飘移的随机游动过程：Ut=a+U(t-1)+et。
其中随机游动过程和AR(1)过程中的不同点在于一个弱相依性的强弱问题，实际上我们在时间序列问题中，我们可以认为任何一个过程是弱相依的，但是问题的关键是我们不知道到底有多弱？或者更加直观地说，我们想知道P到底是多大，如果P是0.9或者是一个比较接近于1得数，那么可能我们可以认为这个时间序列有高度持久性，这个概念表示当期的变量却绝于一个很早的时期的变量，比如一阶积整过程，实际上et是一个独立统分布的变量，而且条件数学期望等于0，没有异方差性。
那么实际上这个序列的数学期望是和期数没有什么关系的。
那么也就意味着从第0期开始，U的数学期望值就是和很久以后的U的数学期望值一样的。
但是方差就不同了，方差随着时间的增加不断扩大。
我们知道了，这种不同的概念就可以讨论在一阶自回归的条件之下的检验问题，但是我们说一介自回归的过程是参差序列的特征而已，其他的变量的特征问题我们不谈。
在讨论检验的问题以前，我有必要交待一下时间序列在ols估计的时候我们应该注意什么。
实际上解决序列自相关问题最主要的问题就是一个差分的方法。
因为如果是长期持久的序列或者是不是长期持久的序列，那么一定的差分就可以解除这种问题。
1、t检验。
如果我们知道这个变量是一个一介自回归的过程，如果我们知道自回归过程是AR(1)的。
那么我们就可以这样作，首先我们做OLS估计，得到的参差序列我们认为是一阶自相关的。
那么为了验证这种情况，那么我们可以做Ut和U(t-1)的回归，当然这里可以包含一个截距项。
那么我们验证其中的参数的估计是不是显著的，就用t检验。
t检验与F检验有什么区别1.检验有单样本t检验，配对t检验和两样本t检验。
单样本t检验：是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。
配对t检验：是采用配对设计方法观察以下几种情形，1，两个同质受试对象分别接受两种不同的处理；2,同一受试对象接受两种不同的处理；3，同一受试对象处理前后。
F检验又叫方差齐性检验。
在两样本t检验中要用到F检验。
从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。
若两总体方差相等，则直接用t检验，若不等，可采用t'检验或变量变换或秩和检验等方法。
其中要判断两总体方差是否相等，就可以用F检验。
2.t检验和方差分析的前提条件及应用误区用于比较均值的t检验可以分成三类，第一类是针对单组设计定量资料的；第二类是针对配对设计定量资料的；第三类则是针对成组设计定量资料的。
后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。
无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。
若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测结果，应用t检验的前提条件就是该组资料必须服从正态分布；若是配对设计，每对数据的差值必须服从正态分布；若是成组设计，个体之间相互独立，两组资料均取自正态分布的总体，并满足方差齐性。
之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布，而t检验正是以t分布作为其理论依据的检验方法。
值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。
t检验是目前医学研究中使用频率最高，医学论文中最常见到的处理定量资料的假设检验方法。
t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学期刊多在统计学方面作出了要求，研究结论需要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉的方法；t检验方法简单，其结果便于解释。
简单、熟悉加上外界的要求，促成了t检验的流行。
但是，由于某些人对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。
将这些问题归类，可大致概括为以下两种情况：不考虑t检验的应用前提，对两组的比较一律用t检验；将各种实验设计类型一律视为多个单因素两水平设计，多次用t 检验进行均值之间的两两比较。
以上两种情况，均不同程度地增加了得出错误结论的风险。
而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。
u检验和t检验区别与联系u检验和t检验可用于样本均数与总体均数的比较以及两样本均数的比较。
理论上要求样本来自正态分布总体。
但在实用时，只要样本例数n较大，或n小但总体标准差σ已知时，就可应用u检验；n小且总体标准差σ未知时，可应用t检验，但要求样本来自正态分布总体。
两样本均数比较时还要求两总体方差相等。
一、样本均数与总体均数比较比较的目的是推断样本所代表的未知总体均数μ与已知总体均数μ0有无差别。
通常把理论值、标准值或经大量调查所得的稳定值作为μ0.根据样本例数n大小和总体标准差σ是否已知选用u检验或t 检验。
（一）u检验用于σ已知或σ未知但n足够大[用样本标准差s作为σ的估计值，代入式（19.6）]时。
以算得的统计量u，按表19-3所示关系作判断。
表19-3 u值、P值与统计结论例19.3根据大量调查，已知健康成年男子脉搏均数为72次/分，标准差为6.0次/分。
某医生在山区随机抽查25名健康成年男子，求得其脉搏均数为74.2次/分，能否据此认为山区成年男子的脉搏高于一般？据题意，可把大量调查所得的均数72次/分与标准差6.0次/分看作为总体均数μ0和总体标准差σ，样本均数x为74.2次/分，样本例数n为25.H0：μ=μ0H1：μ＞μ0α=0.05（单侧检验）算得的统计量u=1.833＞1.645，P＜0.05，按α=0.05检验水准拒绝H0，可认为该山区健康成年男子的脉搏高于一般。