均值比较与检验(T检验) 实验报告
评分
实验报告
课程名称 生物医学统计分析
实验名称 均值比较与检验（T检验）
专业班级
姓 名
学 号
实验日期
实验地点
第2页 共7页
2015—2016学年度第 2 学期
一、 实验目的
掌握数据文件的建立、保存、调用等操作方法，学习对数据进行管理，理解变量的定义、类型和度量类型等的数据格式的正确设定，以及学习根据数据情况对数据进行单样本t检验、独立样本t检验和配对样本t检验。
二、实验环境
1、硬件配置：处理器鼠标、内存1GB(1024MB)、硬盘、系统类型：64位操作系统
安装内存（RAM）：4.00GB
2、软件环境：IBM SPSS Statistics 19.0软件，windows 7操作系统
三、实验内容
(包括本实验要完成的实验问题及需要的相关知识简单概述)
1、 课本第三章的相关例题运行一遍，注意理解结果；
2、将实验指导书的例1例2按照步骤进行数据管理的操作和基本统计分析。
四、实验结果与分析
（包括实验原理、数据的准备、运行过程分析、源程序（代码）、图形图象界面等）
注：本项可以增加页数
（一） 实验原理
1、Means过程：
与Descriptives过程相比，若仅仅计算单一组别的均数和标准差，Means过程并无特别之处；但若要求按指定条件分组计算均数和标准差，如分性别同时分年龄计算各组的均数和标准差，则用Means过程更显简单快捷。
激活Analyze菜单选Compare Means中的Means...项，弹出Means对话框。在对话框左侧的变量列表中选一个变量，点击钮使之进入Dependent List框，选另一个变量（如sex）点击钮使之进入Independent List框，点击Next，可选定分组的第二层次（Layer 2 of 2），选第三个变量（如age） 点击钮亦使之进入Independent List框。点击Options...可选统计项目：在Cell Displays项中，Mea为均数、Standard deviation为标准差、Variance为方差、Count为观察单位数、Sum为观察值总和，在Analyze for First Layer项中，将为第一层次的分组计算方差分析（ANOVA table and eta）和线性检验（Test of linearity）。选好后点击Continue钮返回Means对话框，点击OK钮即可。
2、Independent-Samples T Test过程：
调用此过程可完成两样本均数差别的显著性检验，即通常所说的两组资料的t检验。
激活Analyze菜单选Compare Means中的Independent-samples T Test...项，弹出Independent-
samples T Test对话框。从对话框左侧的变量列表中选x，点击钮使之进入Test Variable(s)框，选group 点击钮使之进入Grouping Variable框，点击Define Groups...钮弹出Define
第3页 共7页
Groups定义框，在Group 1中输入1（如1为健康人），在Group 2中输入2（如2为病人），点击Continue钮，返回Independent-samples T Test对话框，点击OK钮即完成分析。
3、Paired-Samples T Test过程：
调用此过程可完成配对资料的显著性检验，即配对t检验。
激活Analyze菜单选Compare Means中的Paired-samples T Test...项，弹出Paried-samples T
Test对话框。从对话框左侧的变量列表中点击x1（如x1为正常组），这时在左下方的Current
Selections框中Variable 1处出现x1，再从变量列表中点击x2（如x2为缺乏组），左下方的Current Selections框中Variable 2处出现x2。点击钮使x1、x2进入Variables框，点击OK钮即完成分析。
（二）实验运行结果及分析
例3.1
输出结果：
表1 基本统计量信息
N 均值 标准差 均值的标准误
成虾体重 16 21.519 .9282 .2321
实验总结：
（1） 因为该例题中只有“成虾体重”一个变量，因此我们选择单样本t检验检验“成虾体重”的均值与给定的检验值210之间是否存在显著差异；
（2） 表1是分析变量的基本统计量：列出的统计量包括样本个数、样本平均值、样本标准差和均值的标准误差；
（3） 表2是给出t检验的结果，其中235.2t，15df，双侧041.0sig，由于05.0041.0p，
因此需拒绝原假设，即总体均数与0存在显著性差异，因此可以认为在配合饲料中添加0.5%的酵母培养物显著地提高了成虾体重。
（4） 在进行单样本T检验时应注意输入检验值0，否则t值将无法进行比较。
例3.2
输出结果：
表3 两种饵料对产鱼量影响的统计量
组别 N 均值 标准差 均值的标准误
产鱼量 1 7 562.14 30.025 11.348
2 6 612.50 23.020 9.398
表4 两种饵料对产鱼量影响的t检验结果 表2 t检验和95%的置信区间
检验值 = 21
t df Sig.(双侧) 均值差值 差分的 95% 置信区间
下限 上限
成虾体重 2.235 15 .041 .5188 .024 1.013
第4页 共7页
方差方程的 Levene
检验 均值方程的 t 检验
F Sig. t df Sig.(双侧) 均值差值 标准误差值 差分的 95% 置信区间
下限 上限
产鱼量 假设方差相等 .019 .893 -3.344 11 .007 -50.357 15.058 -83.500 -17.214
假设方差不相等 -3.418 10.900 .006 -50.357 14.734 -82.823 -17.891
实验总结：
（1） 因为A料和B料对产鱼量的影响是相互独立的，因此我们选择两个独立样本的t检验方法对这两种处理结果均值之间的差异性是否显著进行检验；
（2） 表3是分析变量的基本统计量：列出的统计量包括样本均数、样本个数、标准差和均值的标准误；
（3） 表4给出了t检验结果。首先作方差齐性检验，本例中的,05.00893019.0PF，故须接受原假设，结论为两组方差差异不显著，说明方差齐性，故应选择“假设方差相等”一行的结果进行显著差异性分析；05.0007.0值双侧P，且01.0P则应拒绝原假设，可以认为A、B饵料对鱼产量的影响存在极显著差异性，即喂养B饵料的产鱼量极显著高于饲喂A饵料的产鱼量；
（4） 在进行独立样本T检验时，需对分组变量的组别分别定义1和2，否则无法输出结果。
例3.3
输出结果：
表5 接种前后体温的基本统计量
均值 N 标准差 均值的标准误
对 1 接种前 38.240 10 .1578 .0499
接种后 38.630 10 .2058 .0651
表6 接种前后体温的相关关系
N 相关系数 Sig.
对 1 接种前 & 接种后 10 .472 .168
表7 接种前后体温的t检验结果
成对差分
t df Sig.(双侧) 均值 标准差 均值的标准误 差分的 95% 置信区间
下限 上限
对 1 接种前 - 接种后 -.3900 .1912 .0605 -.5268 -.2532 -6.450 9 .000
实验总结：
第5页 共7页
（1） 因为本题是检验家兔接种前后体温是否有显著变化，即指同一试验单位在不同时间上分别接受前后两次处理，因此我们选择配对t检验中的自身配对方法进行检验；
（2） 表5为配对t检验的描述性统计结果，分别为接种前后平均值、样本例数、样本标准差和均数的标准误；
（3） 表6为接种前后两变量的相关分析，，值，双侧相关系数05.0168.00472.0Pr表明接种前后的体温不存在线性相关关系，但呈正相关关系；
（4） 表7为配对t检验的结果，其中，，，01.0000.09450.6Pdft则应拒绝原假设)0(d，可以认为接种疫苗前后兔子的体温有极显著差异，即接种疫苗可使兔子体温极显著升高。
例3.4
输出结果：
表8 两种处理方法结果基本统计量
均值 N 标准差 均值的标准误
对 1 A法 9.29 7 5.765 2.179
B法 17.57 7 6.133 2.318
表9 两种处理方法结果的相关关系
N 相关系数 Sig.
对 1 A法 & B法 7 .607 .148
表10 两种处理方法的t检验结果
成对差分
t df Sig.(双侧) 均值 标准差 均值的标准误 差分的 95% 置信区间
下限 上限
对 1 A法 - B法 -8.286 5.282 1.997 -13.171 -3.400 -4.150 6 .006
实验总结;
（1） 因为本题中两株番茄的生长期、发展进度、植株大小和其他方面皆是比较一致的，因此我们选择配对t检验中的同源检验对接种两种病毒方法结果的差异性进行检验；
（2） 表8为配对t检验的描述性统计结果，分别为A法和B法处理的平均值、样本例数、样本标准差和均数的标准误；
（3） 表9为两种处理前后两变量的相关分析，，值，双侧相关系数05.0148.00607.0Pr表明A法和B法处理结果不存在线性相关关系，但呈正相关关系；
（4） 表10为配对t检验的结果，其中，，，01.0006.06150.4Pdft则应拒绝原假设)0(d，可以认为A、B两法对钝化病毒的效应有极显著差异，即接种B处理病毒对钝化病毒的影响比接种A处理病毒的显著。
实验室人员比对报告-万能试验机-t检验方法
2023010601
第 1 页 共 3 页
人员比对结果评价报告
编制
批准
2023010601
第 2 页 共 3 页 人员比对结果评价报告
为了保证检测结果的质量，达到监控目的，向客户提供可靠的、高置信程度的检测结果，经过下列人员的协商和努力，共同发起了人员比对活动，以满足ISO/IEC17025：2017标准及中国合格评定国家认可委员会认可的要求。
一、参加比对活动的人员
姜世萍/徐圣兵
二、比对活动的项目
GB/T 228.1-2021 《金属材料 拉伸试验第1部分：室温试验方法》
CNAS-GL003:2018 《能力验证样品均匀性和稳定性评价指南》
三、比对结果评价的原则
1、评价公式
按照t检验法计算：
21212122211122-s-s-t121nnnnnnnnxx••...............................(1)
1x一 姜世萍第一次检验测量数据的平均值
2x一 徐圣兵第二次检验测量数据的平均值:
1S一 第一次检验测量数据的标准偏差:
2S一 第二次检验测量数据的标准偏差:
1n一 第一次检验测量的测量次数:
2n一 第二次检验测量的测量次数
2、评价原则
为了保证平均值和标准偏差的准确度，1n和2n均≥6
若t
第 3 页 共 3 页
四、人员检测数据分析
姓名
序号
数
据(Mpa)
序号 1 2 3 4 5 6 7 8 9 10
t检验案例
t检验案例
假设有一位研究者想要探究某一种新药物对于焦虑症状的影响。研究者随机选择了100名患有焦虑症的参与者，将他们分为两组，每组50人。一组接受新药物治疗，另一组接受安慰剂治疗。
首先，研究者需要明确的假设。在这个案例中，研究者的零假设（H0）可以是：新药物对于焦虑症状没有影响，即两组参与者的平均焦虑症状水平相同。备择假设（Ha）可以是：新药物可以降低焦虑症状，即两组参与者的平均焦虑症状水平不同。
然后，研究者需要收集数据。在进行药物治疗前和治疗后，研究者使用焦虑症状量表对参与者进行评估，并记录下每组的平均分数。
接下来，研究者可以使用t检验进行统计分析。t检验适用于两组样本的均值比较。在本案例中，研究者可以使用独立样本t检验，将安慰剂组的数据与治疗组的数据进行比较。
假设独立样本t检验的前提条件已满足（例如数据服从正态分布，方差相等等），研究者可以计算出t值和p值。t值表示两组均值之间的差异的显著性。p值表示根据观察到的样本数据，在零假设为真时，得到观察到的差异或更极端的差异的概率。
若t值较大，表示两组均值差异较大，且p值较小，表示观察到的差异在零假设为真的情况下非常不太可能发生。这表明新药物对于降低焦虑症状有显著的影响。
反之，若t值较小，表示两组均值差异较小，且p值较大，表示观察到的差异在零假设为真的情况下较为可能发生。这表明新药物对于降低焦虑症状可能没有显著的影响。
最后，根据t值和p值的结果，研究者可以决定是否拒绝原假设。若p值小于显著性水平（通常设定为0.05），研究者可以拒绝原假设，接受备择假设，即新药物对于降低焦虑症状有显著的影响。若p值大于显著性水平，研究者不能拒绝原假设，即新药物对于降低焦虑症状可能没有显著的影响。
综上所述，t检验可以帮助研究者在两组样本之间进行均值比较，以评估某一因素的影响。在本案例中，研究者可以使用t检验来评估新药物对于焦虑症状的影响。
t检验 简单说明
t检验 简单说明
以t检验为主题的文章
t检验是一种常用的统计方法，用于比较两个样本均值是否存在显著差异。它是由英国统计学家William Gosset于1908年提出的，因为他在著作中使用了“学生”这个笔名，所以t检验也被称为学生t检验。
t检验的基本原理是通过计算样本均值之间的差异以及两个样本的标准误差来确定差异的显著性。在进行t检验之前，需要满足以下几个前提条件：
1. 数据来自正态分布：t检验要求样本数据来自正态分布，如果数据不满足正态分布，可以通过转换数据或使用非参数方法来进行分析。
2. 样本独立：t检验要求两个样本是独立的，即一个样本的观察值与另一个样本的观察值无关。
3. 方差齐性：t检验通常假设两个样本的方差相等，如果方差不相等，可以使用修正的t检验方法。
根据以上前提条件，t检验可以分为独立样本t检验和配对样本t检验两种情况。
独立样本t检验用于比较两个独立样本的均值是否存在显著差异。例如，我们想知道男性和女性在身高上是否存在显著差异，可以采集两个样本的数据，然后进行独立样本t检验。
配对样本t检验用于比较同一组样本在不同条件下的均值差异。例如，我们想知道一组学生在学习前和学习后的成绩是否有显著提高，可以采集学生们的成绩数据，然后进行配对样本t检验。
进行t检验需要计算t值和p值。t值表示样本均值之间的差异相对于标准误差的大小，而p值表示在零假设成立的情况下，观察到的差异或更极端差异的概率。通常，当p值小于设定的显著性水平（通常为0.05）时，我们可以拒绝零假设，认为样本均值存在显著差异。
除了独立样本t检验和配对样本t检验，还有一种常见的t检验是单样本t检验。单样本t检验用于比较一个样本的均值是否与已知的理论值存在差异。例如，我们想知道某种药物的平均疗效是否达到了预期的水平，可以采集服用该药物的患者数据，然后进行单样本t检验。
在实际应用中，t检验经常用于科学研究和实验设计中，例如医学研究、社会科学调查、工程实验等。通过对样本数据进行t检验，我们可以得出结论，指导决策和改进实践。
均值比较检验和方差分析详解演示文稿
均值比较检验和方差分析详解演示文稿
一、均值比较检验
1.两个样本的均值比较：用于比较两个样本的均值是否存在显著差异。常用的假设检验方法有t检验和z检验。
2.多个样本的均值比较：用于比较两个以上样本的均值是否存在显著差异。常用的假设检验方法有方差分析。
针对不同的研究问题和样本特征，我们可以选择不同的假设检验方法进行均值比较。
二、方差分析
方差分析是一种统计学中常用的分析方法，用于检验两个以上样本均值之间是否存在显著差异。方差分析基于方差的分解原理，将总体方差分解为组内变异和组间变异，并通过统计检验来确定组间变异是否显著。
方差分析包括单因素方差分析和多因素方差分析两种形式。
1.单因素方差分析：适用于只有一个自变量（因素）的情况，用于比较不同水平的因素是否对观测变量有显著影响。单因素方差分析有一元方差分析和重复测量方差分析两种形式。
2.多因素方差分析：适用于有两个或两个以上自变量（因素）的情况，用于比较多个自变量的主效应及其交互效应对观测变量的影响。常用的多因素方差分析方法有二元方差分析和三元方差分析。
方差分析的基本思想是通过比较组间方差和组内方差的大小关系来判断样本均值之间是否有显著差异。在进行方差分析前，需要先对数据的正态性、方差齐性进行检验，以确定方差分析是否适用。 三、均值比较检验和方差分析的步骤
进行均值比较检验和方差分析的步骤如下：
1.确定研究问题和样本特征：明确需要比较的样本均值或不同因素对样本均值的影响。
2.数据收集和整理：收集相应的样本数据，并进行数据清洗和整理。
3.正态性检验：对样本数据进行正态性检验，以确定是否满足方差分析的正态性假设。
4.方差齐性检验：对样本数据进行方差齐性检验，以确定是否满足方差分析的方差齐性假设。
5.假设检验：根据样本特征和研究问题，选择适当的假设检验方法进行分析。对于均值比较检验，常用的方法有t检验和z检验；对于方差分析，常用的方法有一元方差分析和多元方差分析。
t检验方法(一)
t检验方法(一)
t检验
t检验是统计学中一项重要的检验方法，常用于判断样本统计量与总体参数之间的差异，进而得出总体参数的估计值。这里介绍几种t检验的方法。
独立样本t检验
独立样本t检验用于比较两个独立样本的均值是否显著不同。它的原假设是两个样本的均值相等，备择假设是两个样本的均值不相等。进行独立样本t检验的步骤如下：
1. 计算两个样本的均值和标准差；
2. 计算两个样本的t值；
3. 比较t值和自由度（n1 + n2 - 2）的t分布值，得出显著性水平。
如果计算得出的t值大于临界值，则拒绝原假设，否则则接受原假设。 配对样本t检验
配对样本t检验用于比较同一样本在两个不同条件下的均值是否显著不同。它的原假设是两个条件下样本的均值相等，备择假设是样本的均值不相等。进行配对样本t检验的步骤如下：
1. 计算每对样本数据的差值；
2. 计算差值的均值和标准差；
3. 计算t值；
4. 比较t值和自由度（n - 1）的t分布值，得出显著性水平。
同样，如果计算得出的t值大于临界值，则拒绝原假设，否则则接受原假设。
单样本t检验
单样本t检验用于比较一个样本的均值与已知总体均值是否显著不同。它的原假设是样本的均值等于总体均值，备择假设是样本的均值不等于总体均值。进行单样本t检验的步骤如下：
1. 计算样本的均值和标准差；
2. 计算t值；
3. 比较t值和自由度（n - 1）的t分布值，得出显著性水平。
同样，如果计算得出的t值大于临界值，则拒绝原假设，否则则接受原假设。 方差齐性检验
在进行t检验之前，需要进行方差齐性检验，以确认两个总体的方差是否相等，从而选择恰当的假设检验方法。方差齐性检验主要有：
1. F检验：计算两个总体的标准差的比值，并进行F检验；
2. Levene检验：计算两个样本的中位数，以中位数为基准进行差异性检验。
在进行t检验时，如果通过方差齐性检验发现两个总体的方差不相等，则需要使用进行调整的t检验方法。
实验室比对 t检验法的详细步骤
实验室比对 t检验法的详细步骤
😎宝子，今天来给你唠唠实验室比对t检验法的步骤哈。
🧐t检验法呢，是用来比较两组数据平均值是否有显著差异的方法。
第一步呀，咱得先把两组要比对的数据收集好。这就好比你要比较两个小朋友的身高，得先知道他俩各自的身高数据一样。这两组数据可不能是随随便便弄来的，得是按照正确的实验方法得到的哦。
然后呢，计算两组数据的平均值。这个平均值就像是这组数据的代表啦。比如说一组数据是1、2、3、4、5，那平均值就是把这些数加起来除以个数，也就是(1 + 2
+ 3 + 4 + 5)÷5 = 3。两组数据都要算出平均值哟。
接着呢，计算两组数据的标准差。标准差这个东西有点像在描述这组数据有多“散”。如果数据都挨得很近，标准差就小；要是数据很分散，标准差就大。计算标准差有专门的公式，这里就不细说了，反正你可以用计算器或者软件来算啦。
再之后呀，就可以计算t值啦。t值的计算公式有点复杂，不过别怕，就是用两组数据平均值的差，除以一个和两组数据的标准差还有样本数量有关的式子。这一步就像是把两组数据的差异用一个数值表示出来。
算出t值后呢，咱得看看这个t值有没有意义呀。这就需要查t分布表啦。这个表就像是一个大字典，你根据你的自由度（自由度和样本数量有关哦）去找对应的临界值。如果算出来的t值比临界值大或者小（看你是做单侧检验还是双侧检验啦），那就说明两组数据的平均值有显著差异；要是t值在临界值范围内呢，就说明两组数据平均值差异不显著。
宝子，实验室比对t检验法大概就是这么个流程啦，是不是还挺有趣的呢？😎。
第5章SPSS均值比较T检验和方差分析
第5章SPSS均值比较T检验和方差分析
第5章主要介绍了SPSS软件中进行均值比较的方法，包括t检验和方差分析。本文将详细介绍SPSS中进行均值比较的步骤，以及如何解读结果。
5.1t检验
t检验是一种用于比较两个样本均值差异的统计方法。在SPSS中，进行t检验的步骤如下：
1.打开SPSS软件，并导入需要进行t检验的数据集。
2.选择“分析”菜单，在下拉菜单中选择“比较均值”选项，再选择“独立样本t检验”选项。
3.在弹出的对话框中，将需要比较的变量移动到“因子”框中，将“分组变量”移动到“因子”框中，并选择需要进行的假设检验类型。
4.点击“确定”按钮，等待计算结果。
5.在输出窗口中，可以查看计算结果，包括均值、标准差、样本量、t值和p值等。通常，我们关注的是p值，如果p值小于0.05，则认为差异显著。
例如，我们想比较男性和女性的体重是否有显著差异。我们将体重作为因变量，性别作为自变量，进行t检验。在计算结果中，如果p值小于0.05，则可以认为男女性别对体重有显著影响。
5.2方差分析 方差分析是一种用于比较三个或更多个样本均值是否存在差异的统计方法。在SPSS中，进行方差分析的步骤如下：
1.打开SPSS软件，并导入需要进行方差分析的数据集。
2.选择“分析”菜单，在下拉菜单中选择“比较均值”选项，再选择“单因素方差分析”选项。
3.在弹出的对话框中，将需要比较的变量移动到“因子”框中，将“分组变量”移动到“因子”框中，并选择需要进行的假设检验类型。
4.点击“确定”按钮，等待计算结果。
5.在输出窗口中，可以查看计算结果，包括均值、标准差、样本量、F值和p值等。通常，我们关注的是p值，如果p值小于0.05，则认为差异显著。
例如，我们想比较不同药物对治疗效果的影响。我们将药物作为因变量，治疗效果作为自变量，进行方差分析。在计算结果中，如果p值小于0.05，则可以认为不同药物对治疗效果有显著影响。
t检验 原理
t检验 原理
t检验是一种用于比较两组样本均值差异是否显著的统计方法。其基本原理是通过计算两组样本的均值差异与其标准误差的比值（即t值），进而判断两组样本均值差异是否代表总体差异的一个显著性结果。
假设我们有两组样本，分别为样本A和样本B。我们希望比较这两组样本的均值差异是否显著。首先，我们计算两组样本的均值和标准差，然后通过一个公式计算出t值。
t值的计算公式为： t = （样本A的均值 - 样本B的均值） / 标准误差
其中，标准误差可以通过以下公式计算得出： 标准误差 = √（（样本A的标准差²/样本A的样本量） + （样本B的标准差²/样本B的样本量））
最后，我们将计算得到的t值与自由度（df）相结合，可以查找t分布表来确定对应t值的显著性水平。根据t分布表可以确定一个显著性水平（通常设定为0.05），如果计算得到的t值大于表中对应显著性水平的临界值，就说明两组样本的均值差异是显著的。
t检验的一大假设是两组样本满足正态分布，如果两组样本不满足正态分布，我们可能需要进行数据转换或者使用非参数检验方法来比较样本均值的差异。
总之，t检验是一种常用的统计方法，适用于比较两组样本均值是否显著不同。通过计算t值与查表得到的显著性水平，我们可以判断两组样本的均值差异是否有统计学意义。
t检验的原理
- 1 - t检验的原理
t检验是一种常用的统计方法，用于比较两个样本的均值是否有显著差异。它是由威廉·斯特德在1908年提出的，因而也被称为斯特德t检验。本文将介绍t检验的原理、应用和注意事项。
一、t检验的原理
t检验的原理基于样本均值与总体均值的比较。在进行t检验时，我们通常假设两个样本来自于相同的总体，即它们的总体均值相等。然后，我们会计算两个样本的均值和标准差，以及它们的样本量。接着，我们会计算t值，t值是样本均值之差除以标准误差，标准误差是标准差除以样本量的平方根。最后，我们会根据t值和自由度（自由度等于样本量减1）来计算p值，p值是指在假设总体均值相等的情况下，得到当前样本差异或更极端的概率。如果p值小于显著性水平（通常为0.05），我们就拒绝原假设，认为两个样本的均值有显著差异。
二、t检验的应用
t检验可以用于各种实验和调查研究中，比如：
1. 产品测试：比较两个不同批次的产品在某个性能指标上的表现是否有显著差异。
2. 医学研究：比较两种治疗方法的疗效是否有显著差异。
3. 教育研究：比较两种教学方法的效果是否有显著差异。
4. 社会调查：比较两个群体在某个指标上的表现是否有显著差异。 - 2 - 5. 金融分析：比较两个投资组合的收益率是否有显著差异。
三、t检验的注意事项
在进行t检验时，需要注意以下几点：
1. 样本量要足够大：如果样本量太小，t检验的结果可能不可靠。通常来说，样本量应该大于30。
2. 样本应该来自正态分布总体：如果样本不来自正态分布总体，t检验的结果可能不可靠。可以使用正态概率图或Shapiro-Wilk检验来检查样本是否来自正态分布总体。
3. 方差齐性假设应该成立：如果两个样本的方差不相等，t检验的结果可能不可靠。可以使用Levene's检验来检查方差齐性假设是否成立。
spss教程第二章--均值比较检验与方差分析
第二章 均值比较检验与方差分析
在经济社会问题的研究过程中，常常需要比较现象之间的某些指标有无显著差异，特别当考察的样本容量n比较大时，由随机变量的中心极限定理知，样本均值近似地服从正态分布。所以，均值的比较检验主要研究关于正态总体的均值有关的假设是否成立的问题。
本章主要内容：
1、单个总体均值的 t 检验（One-Sample T Test）；
2、两个独立总体样本均值的 t 检验（Independent-Sample T Test）；
3、两个有联系总体均值均值的 t 检验（Paired-Sample T Test）；
4、单因素方差分析（One-Way ANOVA）；
5、双因素方差分析（General Linear ModelUnivariate）。
假设条件：研究的数据服从正态分布或近似地服从正态分布。
在Analyze菜单中，均值比较检验可以从菜单Compare Means，和General
Linear Model得出。如图2.1所示。
§2.1 单个总体的 t 检验（One-Sample T Test）分析
单个总体的 t 检验分析也称为单一样本的 t 检验分析，也就是检验单个变量的均值是否与假定的均数之间存在差异。如将单个变量的样本均值与假定的常数相比较，通过检验得出预先的假设是否正确的结论。 图2.1 均值的比较菜单选择项 例1：根据2002年我国不同行业的工资水平（数据库SY-2），检验国有企业的职工平均年工资收入是否等于10000元，假设数据近似地服从正态分布。
首先建立假设：H0：国有企业工资为10000元；
H1：国有企业职工工资不等于10000元
打开数据库SY-2，检验过程的操作按照下列步骤：
1、单击Analyze Compare Means One-Sample T Test，打开One-Sample
T Test 主对话框，如图2.2所示。