实验4 t检验
t检验实验报告
t检验实验报告《t检验实验报告》摘要：本实验旨在通过t检验方法来检验两组数据之间的差异性。
通过收集两组数据并进行统计分析，得出了两组数据之间的显著差异，从而得出结论。
引言：t检验是一种常用的统计方法，用于比较两组数据之间的差异性。
在实验设计中，我们需要收集两组数据，并对其进行统计分析，以确定它们之间是否存在显著差异。
本实验将通过t检验方法来检验两组数据之间的差异性。
材料与方法：本实验使用了两组数据，分别标记为组A和组B。
每组数据包括了一定数量的样本。
首先，我们对每组数据进行了描述性统计分析，包括均值、标准差等指标。
然后，我们使用t检验方法来比较两组数据之间的差异性。
结果：经过统计分析，我们得出了两组数据之间的t值和P值。
根据P值的大小，我们得出了两组数据之间是否存在显著差异。
在本次实验中，我们发现组A和组B之间存在显著差异，这表明两组数据在某种程度上是不同的。
讨论：通过本次实验，我们得出了两组数据之间的显著差异。
这一结果对于我们理解两组数据的特点和差异性具有重要意义。
在实际应用中，我们可以根据这一结果来进行进一步的分析和决策。
结论：本实验通过t检验方法成功检验了两组数据之间的差异性，并得出了显著差异的结论。
这一结果对于我们理解两组数据的特点和差异性具有重要意义，对于实际应用具有一定的指导意义。
总结：通过本次实验，我们了解了t检验方法的基本原理和应用过程，并成功运用该方法对两组数据进行了比较分析。
这一实验为我们提供了一种有效的统计方法，用于检验和比较两组数据之间的差异性。
统计学常用概念：T检验、F检验、卡方检验、P值、自由度
统计学常⽤概念：T检验、F检验、卡⽅检验、P值、⾃由度1,T检验和F检验的由来⼀般⽽⾔，为了确定从样本(sample)统计结果推论⾄总体时所犯错的概率，我们会利⽤统计学家所开发的⼀些统计⽅法，进⾏统计检定。
通过把所得到的统计检定值，与统计学家建⽴了⼀些随机变量的概率分布(probability distribution)进⾏⽐较，我们可以知道在多少%的机会下会得到⽬前的结果。
倘若经⽐较后发现，出现这结果的机率很少，亦即是说，是在机会很少、很罕有的情况下才出现；那我们便可以有信⼼的说，这不是巧合，是具有统计学上的意义的(⽤统计学的话讲，就是能够拒绝虚⽆假设null hypothesis,Ho)。
相反，若⽐较后发现，出现的机率很⾼，并不罕见；那我们便不能很有信⼼的直指这不是巧合，也许是巧合，也许不是，但我们没能确定。
F值和t值就是这些统计检定值，与它们相对应的概率分布，就是F分布和t分布。
统计显著性（sig）就是出现⽬前样本这结果的机率。
2，统计学意义（P值或sig值）结果的统计学意义是结果真实程度（能够代表总体）的⼀种估计⽅法。
专业上，p值为结果可信程度的⼀个递减指标，p值越⼤，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。
p值是将观察结果认为有效即具有总体代表性的犯错概率。
如p=0.05提⽰样本中变量关联有5%的可能是由于偶然性造成的。
即假设总体中任意变量间均⽆关联，我们重复类似实验，会发现约20个实验中有⼀个实验，我们所研究的变量关联将等于或强于我们的实验结果。
（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效⼒有关。
）在许多研究领域，0.05的p值通常被认为是可接受错误的边界⽔平。
3，T检验和F检验⾄於具体要检定的内容，须看你是在做哪⼀个统计程序。
举⼀个例⼦，⽐如，你要检验两独⽴样本均数差异是否能推论⾄总体，⽽⾏的t检验。
分析化学中t检验的名词解释
分析化学中t检验的名词解释在分析化学中，t检验（t-test）是一种常用的统计方法，用于比较两组数据之间的差异性是否显著。
它是由英国统计学家William Sealy Gosset（更为人所熟知的是他的笔名Student）于1908年提出的。
1. t检验的基本原理t检验基于t分布，是统计学中一类常见的概率分布。
当数据符合特定条件（包括总体近似正态分布、总体方差未知等）时，t检验可以使用t分布进行推断。
t分布相对于正态分布拥有更宽的尾部，这意味着它可以更好地处理样本量较小的情况。
2. t检验的类型根据研究设计和实验目的的不同，t检验可以分为两种类型：独立样本t检验和配对样本t检验。
2.1 独立样本t检验独立样本t检验用于比较两组独立的样本之间的差异。
例如，我们可以通过独立样本t检验来确定两种不同施肥方式对作物生长的影响是否显著。
2.2 配对样本t检验配对样本t检验适用于对同一组样本进行两次测量，比较两次测量结果之间的差异是否显著。
例如，我们可以通过配对样本t检验来验证某种新药物在治疗前后的疗效是否有统计学上的显著差异。
3. t检验的计算步骤进行t检验时，我们需要按照以下步骤进行计算：3.1 收集数据首先，我们需要收集所需的数据样本。
对于独立样本t检验，我们需要分别获得两个独立群体的数据；对于配对样本t检验，我们需要获取同一群体的两个相关变量的数据。
3.2 计算均值和标准差接下来，我们计算每个样本的均值和标准差。
均值表示数据的中心趋势，标准差表示数据的离散程度。
3.3 计算t值根据独立样本t检验和配对样本t检验的具体公式，我们可以计算得出t值。
t 值表示样本之间的差异程度，t值越大说明差异越显著。
3.4 判断差异的显著性最后，我们使用t分布表来查找对应t值的显著性。
通常，在设定的显著性水平（如α=0.05）下，查找t分布表中的临界值。
如果计算得到的t值大于临界值，则可认为差异是显著的。
4. t检验的应用场景t检验在分析化学中广泛应用于各种实验设计和数据分析中。
t检验总结
t检验总结t检验是统计学中常用的一种假设检验方法，用于判断两组数据之间是否存在显著差异。
在实际应用中，t检验在医学、生物学、社会科学等领域被广泛使用。
本文将对t检验的原理、应用以及注意事项进行总结，旨在使读者对t检验有一个全面的了解。
一、t检验的原理及公式t检验是基于样本均值之间的差异来判断总体均值是否有显著区别的一种假设检验方法。
主要应用于两组样本的均值比较。
不同于z 检验，t检验适用于小样本（样本量较小）的情况。
t检验的基本原理是，计算两组样本的均值差异，然后根据样本的方差和样本量来估计总体均值之间的差异是否显著。
计算t值的公式如下：t = (x1 - x2) / (s√(1/n1 + 1/n2))其中，x1和x2分别为两组样本的均值，s为样本的标准差，n1和n2为两组样本的样本量。
通过计算t值，可以与t分布表中的临界值进行比较，从而判断两组样本均值之间的差异是否显著。
二、t检验的应用场景t检验在实际应用中具有广泛的应用场景。
以下是一些典型的应用场景：1. 医学研究：在药物的临床试验中，常用t检验来比较接受不同治疗方法的患者之间的效果差异。
2. 社会科学：在调查研究中，t检验可以用来比较不同群体之间的某种特征的差异，如男性与女性在某项指标上的差异。
3. 生物学：在实验室研究中，t检验可用来比较不同处理组的实验结果是否存在显著差异。
4. 工程领域：在质量控制方面，可以使用t检验来判断两种质量控制方法的差异是否显著。
以上仅是一些常见的应用场景，实际上t检验在各个领域都有广泛的应用。
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. 样本的随机性：确保样本是随机抽取的，以减少抽样偏差对结果的影响。
2. 样本的独立性：确保样本之间是相互独立的，即一个样本的观测值不受另一个样本的影响。
3. 正态分布假设：在t检验中，通常假设两个总体是正态分布。
如果数据的正态性不满足，可以使用非参数检验方法。
4. 方差齐性假设：t检验中还需要满足方差齐性假设，即两组样本的方差相等。
t检验实验报告
t检验实验报告t检验实验报告引言：统计学是一门研究如何收集、整理、分析和解释数据的学科。
在统计学中，t检验是一种常用的假设检验方法，用于比较两个样本的均值是否存在显著差异。
本实验旨在通过t检验方法，探究某药物对患者血压的影响。
实验设计：本实验选取了50名高血压患者作为研究对象，随机将其分为两组，每组25人。
实验组接受某药物治疗，对照组则接受安慰剂治疗。
实验组在治疗前和治疗后都进行了血压测量，而对照组只在同样的时间点进行了血压测量。
实验的目的是比较两组患者的血压变化是否存在显著差异。
数据收集：在实验过程中，我们使用了标准的血压计来测量患者的血压。
每位患者的血压测量值都记录下来，以备后续分析使用。
同时，我们还记录了每位患者的性别、年龄、身高、体重等基本信息，以控制其他可能的干扰因素。
数据分析：首先，我们对实验组和对照组的血压测量值进行了描述性统计分析。
结果显示，实验组的平均血压为140 mmHg，标准差为10 mmHg；对照组的平均血压为145 mmHg，标准差为12 mmHg。
可以看出，实验组的平均血压略低于对照组，但是否存在显著差异还需要进一步检验。
接下来，我们使用t检验方法进行了假设检验。
零假设（H0）是实验组和对照组的血压均值没有显著差异，备择假设（Ha）是实验组和对照组的血压均值存在显著差异。
通过计算，得到t值为-2.16，自由度为48。
根据t分布表，我们可以得到在显著性水平为0.05时，t临界值为-2.01。
由于计算得到的t值小于临界值，我们可以拒绝零假设，认为实验组和对照组的血压均值存在显著差异。
讨论：根据实验结果，我们可以得出结论：某药物对高血压患者的血压有显著影响。
实验组接受药物治疗后，其血压平均值显著低于对照组。
这一结果表明该药物可能具有降压效果，可以作为治疗高血压的一种选择。
然而，本实验也存在一些局限性。
首先，样本容量较小，可能存在抽样偏差。
其次，实验组和对照组的分组方式是随机的，但无法完全排除其他可能的干扰因素。
生物统计学实验报告T检验
生物统计学实验报告T检验T检验是一种用于比较两个样本均值是否有显著差异的统计方法。
在生物统计学中，T检验经常被用于比较实验组和对照组在某个特定变量上的差异，以确定是否存在显著差异。
T检验的基本原理是通过计算两个样本的均值和方差，然后应用统计学中的t分布来判断两个样本均值是否有显著差异。
在进行T检验之前，需要明确以下几个方面的内容：假设检验的零假设和备择假设、显著性水平、检验的类型（单尾检验或双尾检验）以及样本数据的收集和处理。
在进行T检验时，首先要设定零假设与备择假设。
零假设表示两个样本均值无显著差异，备择假设则表示两个样本均值存在显著差异。
接下来要设定显著性水平，通常使用的显著性水平为0.05，即p值小于0.05时，认为存在显著差异。
然后要确定T检验的类型，通常分为单尾检验和双尾检验。
单尾检验适用于预测两个样本均值的相对大小，而双尾检验适用于预测两个样本均值是否存在显著差异。
在进行T检验之前，还需要选择合适的T检验方法，主要有独立样本T检验和配对样本T检验，根据实验设计的不同选择相应的方法。
当以上设定完成后，需要收集实验数据，并计算两个样本的均值和方差。
接下来根据公式计算出T值，并据此计算出p值。
最后，根据p值与设定的显著性水平进行比较，判断两个样本均值是否存在显著差异。
如果p值小于显著性水平，则拒绝零假设，认为两个样本均值存在显著差异；如果p值大于显著性水平，则接受零假设，认为两个样本均值无显著差异。
总之，T检验是一种常用的比较两个样本均值是否有显著差异的统计方法。
在生物统计学中，T检验可以帮助我们分析实验组和对照组在某个特定变量上是否存在显著差异，从而验证实验的有效性。
然而，在进行T检验之前，需要明确假设检验的设定、显著性水平和检验类型，并正确收集和处理实验数据，以获得准确的结果。
SPSS17.0在生物统计学中的应用实验指导-实验三、参数估计 实验四、t检验(可打印修改)
SPSS在生物统计学中的应用——实验指导手册实验三：参数估计一、实验目的与要求1.理解参数估计的概念2.熟悉区间估计的概念与操作方法二、实验原理1. 参数估计的定义●参数估计（parameter estimation）是根据从总体中抽取的样本估计总体分布中的未知参数的方法。
它是统计推断的一种基本形式，是数理统计学的一个重要分支，分为点估计和区间估计两部分。
●点估计（point estimation）：又称定值估计，就是用实际样本指标数值作为总体参数的估计值。
当总体的性质不清楚时，我们须利用某一量数（样本统计量）作为估计数，以帮助了解总体的性质，如：样本平均数乃是总体平均数μ的估计数，当我们只用一个特定的值，亦即数线上的一个点，作为估计值以估计总体参数时，就叫做点估计。
✧点估计的数学方法很多，常见的有“矩估计法”、“最大似然估计法”、“最小二乘估计法”、“顺序统计量法”等。
✧点估计的精确程度用置信区间表示。
●区间估计(interval estimation)是从点估计值和抽样标准误出发，按给定的概率值建立包含待估计参数的区间。
其中这个给定的概率值称为置信度或置信水平(confidence level)，这个建立起来的包含待估计函数的区间称为置信区间，指总体参数值落在样本统计值某一区内的概率●置信区间(confidence interval)是指在某一置信水平下，样本统计值与总体参数值间误差范围。
置信区间越大，置信水平越高。
划定置信区间的两个数值分别称为置信下限(lower confidence limit,lcl)和置信上限(upper confidence limit,ucl)2. 参数估计的基本原理统计分析的目的就是由样本推断总体，参数估计即是实现这一目的的方法之一。
3. 参数估计的方法参数估计的结果，常用点估计值（样本均值）+置信区间（置信下限、置信上限）来表示。
三、实验内容与步骤1. 单个总体均值的区间估计打开数据文件“描述性统计（100名女大学生的血清蛋白含量）.sav”选择菜单【分析】—>【描述统计】—>【探索】”，打开图3.1探索（Explore）对话框。
t检验的方法和步骤
t检验的方法和步骤t检验是一种常用的统计方法，用于比较两组数据的均值是否存在显著差异。
本文将介绍t检验的具体步骤和应用场景。
一、t检验的基本概念和原理t检验是通过计算样本均值之间的差异与样本标准误之间的比较，来判断两个样本均值是否存在显著差异。
它的基本原理是将样本均值的差异转化为t值，然后根据t值和自由度来确定显著性水平。
二、t检验的步骤1. 确定零假设和备择假设：零假设通常表示两组数据的均值没有显著差异，备择假设则相反。
2. 收集样本数据：需要收集两组相互独立的样本数据，确保样本数据的选取具有代表性。
3. 计算样本均值和标准差：分别计算两个样本的均值和标准差，这是进行t检验的基础。
4. 计算t值：根据样本均值和标准差，计算t值的公式为：t=(x1-x2)/(s1-s2)，其中x1和x2分别为两个样本的均值，s1和s2为两个样本的标准差。
5. 计算自由度：自由度的计算方法为：df=n1+n2-2，其中n1和n2分别为两个样本的容量。
6. 确定显著性水平和临界值：根据设定的显著性水平（通常为0.05），查表或使用统计软件得到对应的临界值。
7. 判断结果：比较计算得到的t值和临界值，如果t值大于临界值，则拒绝零假设，认为两个样本均值存在显著差异；反之，接受零假设，认为两个样本均值没有显著差异。
三、t检验的应用场景t检验广泛应用于科学研究、医学实验、市场调研等领域，常见的应用场景有：1. 比较两组样本的均值：例如比较用药前后的患者生活质量评分是否有显著差异。
2. 比较两组样本的差异：例如比较男性和女性的平均工资是否存在显著差异。
3. 比较两个时间点的差异：例如比较不同季节的销售额是否存在显著差异。
4. 比较两个地区的差异：例如比较不同地区的人均收入是否存在显著差异。
四、注意事项在进行t检验时，需要注意以下几点：1. 样本容量要足够大：样本容量过小可能会导致结果不具有代表性，影响t检验的准确性。
2. 数据要满足正态分布假设：t检验是基于正态分布假设的，如果数据不满足正态分布，则结果可能不准确。
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？ 。
实验四-多重共线性模型的检验和处理
实验报告课程名称：计量经济学实验项目：实验四多重共线性模型的检验和处理实验类型：综合性□设计性□验证性 专业班别：11本国贸五班姓名：学号：实验课室：厚德楼A207指导教师：实验日期：2014/5/20广东商学院华商学院教务处制一、实验项目训练方案小组合作：是□否 小组成员：无实验目的：掌握多重共线性模型的检验和处理方法：实验场地及仪器、设备和材料实验室：普通配置的计算机，Eviews软件及常用办公软件。
实验训练内容（包括实验原理和操作步骤）：【实验原理】多重共线性的检验：直观判断法（R2值、t值检验）、简单相关系数检验法、方差扩大因子法（辅助回归检验）多重共线性的处理：先验信息法、变量变换法、逐步回归法【实验步骤】（一）多重共线性的检验1.直观判断法（R2值、t值检验）根据广东数据（见附件1），先分别建立以下模型：【模型1】财政收入CS对第一产业产值GDP1、第二产业产值GDP2和第三产业产值GDP3的多元线性回归模型；（请对得到的图表进行处理，以上在一页内）【模型2】固定资产投资TZG对固定资产折旧ZJ、营业盈余YY和财政支出CZ的多元线性回归模型。
观察模型结果，初步判断模型自变量之间是否存在多重共线性问题。
【模型1】从上图可以得到，估计方程的判定系数R 2很高，但三个参数t检验值两个不显著，有一个较显著，其中一个参数估计值还是负的，不符合经济理论。
所以，出现了严重的多重共线性。
【模型2】1】从上图可以得到，估计方程的判定系数R 2很高，方程显著性F检验也显著，但只有两个参数显著性t检验比较显著，这与很高的判定系数不相称，出现了严重的多重共线性。
2.简单相关系数检验法分别计算【模型1】和【模型2】的自变量的简单相关系数。
【模型1】【模型2】（请对得到的图表进行处理，以上在一页内）根据计算的简单相关系数，判断模型是否存在多重共线性。
【模型1】可看出三个解释变量GDP1 、GDP2和GDP3之间高度相关，存在严重的多重共线性。
- 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)。
实验四 t 检验
一、实验目的
掌握单一样本 t 检验、相关样本 t 检验、独立样本 t 检验。
二、实验设备
微机、SPSS for Windows V17.0 统计软件包。
三、实验内容
1．完成单一样本 t 检验的 4 道上机练习题。
2. 完成相关样本 t 检验的 2 道上机练习题。
2．完成独立样本 t 检验的 2 道上机练习题。
四、实验步骤
（一）单一样本 t 检验
1．建立至少包含一个因变量的 SPSS 数据文件，变量均定义为数值型，如图 4-1 所示。
2．鼠标单击“分析→比较均值→单样本 T 检验”菜单项，打开“单样本 T 检验”主对话框，如图4-2 所示。
在左边变量框中选择待检变量，单击中间向右按钮，把选中的变量移到右边“检验变量”框中；在“检验值”右边的输入框中输入检验值，即已知总体的平均数 μ0。
3．单击“选项”按钮，打开“选项”对话框，如图 4-3 所示。
该对话框可设置置信度和缺失值的处理方法。
（1）置信区间：在该框中输入 50~99 之间的数值，作为置信度，默认值为 95。
（2）“缺失值”栏：设置缺失值处理方法：
⏹ 按分析顺序排除个案：当分析涉及到含有缺失值的变量时，剔除该变量中含有缺失 值的记录。
系统默认此项。
⏹ 按列表排除个案：同时剔除所有待检变量中含缺失值的记录。
单击“继续”按钮，返回主对话框。
4．单击“确定”，执行 SPSS 命令。
图4-1 单一样本t 检验数据文件 图4-2 单一样本t 检验主对话框 图4-3 “选项”对话框
（二）相关样本 t 检验
1．建立至少包含一对因变量的 SPSS 数据文件，变量均定义为数值型，如图 4-4 所示。
2．鼠标单击“分析→比较均值→配对样本 T 检验”菜单项，打开“配对样本 T 检验”主对话框，如图 4-5 所示。
3．指定配对变量：在右边变量框中选择待检的变量对，单击箭头按钮，使之复制到右边“成对变量”框中。
4．“选项”按钮的设置与单一样本 t 检验相同。
5．单击“继续”按钮，执行 SPSS 命令。
图4-4 相关样吧t 检验数据文件 图4-5 相关样本t 检验主对话框
（三）独立样本 t 检验
1．建立至少包含一个因变量与一个分组变量的 SPSS 数据文件，因变量为数值型，分组变量可定义为数值型，也可定义为字符型，如图 4-6 所示。
2．鼠标单击“分析→比较均值→独立样本 T 检验”菜单项，打开“独立样本 T 检验”主对话框，如图 4-7 所示。
3．在左边变量框中选择待检变量（可多选），单击上面的箭头按钮，将其移入“检验变量”框中。
4．选择分组变量，单击下面的箭头按钮，将其移入“分组变量”框中。
单击“定义组”按钮，打开“定义组”对话框，如图 4-8 示。
对于离散型的分组变量应选择“使用指定值”选项，而对于连续型的分组变量，则应选择“割点”选项。
⏹ 使用指定值：按分组变量的值进行分组，在组 1 与组 2 右边的矩形框中分别输入作
为第一组和第二组的分类变量值。
⏹ 割点：在右边的矩形框中输入一个数值，将观测值分为大于等于该值和小于该值的两个组。
单击“继续”按钮，返回主对话框。
5．“选项”按钮的设置参见单一样本 t 检验。
6．单击“确定”按钮，执行 SPSS 命令。
图4-6独立样本t 检验数据文件 图4-7 独立样本t 检验的主对话框 图4-8“定义组”对话框
t检验的原理
1.单样本t检验：用于检验样本均值与总体均值或某个已知值之间的差异。
如果差异显著，
则说明样本与总体之间的差异不是由随机误差造成的，该样本不能代表总体；如果差异不显著，则表示该样本能够代表总体。
适用条件：变量的观测值为连续的数值；如果样本量较大，只要数据分布不过于偏态，一般都可以进行单样本t检验。
如果样本量较小，则要求样本来自于正态分布的总体。
2.独立样本t 检验：用于检验两个不相关样本在相同变量上均值的差异。
要求两个样本均来自
于正态分布的总体，因此，在进行t 检验之前，首先要进行方差齐性检验。
适用条件：正态性，各个样本均来自于正态分布的总体；方差齐性，各个样本所在总体的方差相等；独立性，两组数据之间是相互独立的，不能相互影响。
3.配对样本（或相关样本）t 检验：用于检验两个相关样本的均值差异。
它在本质上与单一样
本检验相同，因此，它对数据的要求也与单样本t检验相同。