京公网安备 11010802034615号
经营许可证编号:京B2-20210330
SPSS详细教程 | 配对样本的t检验
1、问题与数据
某研究使用克矽平治疗矽肺病患者10名,分别测得治疗前、后患者的血红蛋白含量(g/dL),数据如下。试问该药对矽肺患者的血红蛋白含量有无影响?
整个数据资料涉及1组患者(共10名),每名患者有治疗前、后2个数据,采用自身前后对照设计,测量指标为血红蛋白含量,因此属于配对设计的定量资料。
要想知道克矽平对血红蛋白的含量有无影响,则要比较治疗前、后血红蛋白含量的差异是否有统计学意义。若2组数据服从正态分布的要求,可选用配对样本的t检验。
3、SPSS分析方法
(1)数据录入SPSS
(2)选择Analyze→Compare Means→Paired-Samples T Test
(3)选项设置
主对话框设置:分别把“before”和“after”变量放入Paired Variables框中的Variable1和Variable2(Pair 1)→OK
4、结果解读
Paired Samples Statistics表格给出了治疗前、后血红蛋白含量的部分统计信息,包括均数(Mean)、配对数(N)、标准差(Std. Deviation)和样本均数的标准误(Std. Error Mean)。
Paired Samples Correlations 表格给出了治疗前、后血红蛋白含量的相关系数(Correlation),为0.676,P(Sig.)=0.032,具有相关关系。
Paired Samples Test表格给出了统计检验的结果。Mean为治疗前、后血红蛋白差值的均数,Std. Deviation为差值的标准差,Std. Error Mean为差值均数的标准误,95% Confidence Internal of the Difference(Lower,Upper)为差值均数的95%可信区间。t=-0.531,P(Sig.(2-tailed))=0.609 >0.05,差异无统计学意义。
5、撰写结论
使用克矽平治疗前,矽肺患者的血红蛋白含量为(13.4±1.3)g/dL,治疗后的血红蛋白含量为(13.6±1.0)g/dL,尚不能认为克矽平对矽肺患者的血红蛋白含量有影响(t=-0.531,P=0.609)。
6、配对样本t检验的适用情况
(1)同一研究对象给予处理前、后比较;
(2)同一研究对象给予不同处理比较;
(3)不同研究对象配对后,随机接受不同处理比较。
7、延伸阅读
本研究拟分析克矽平对血红蛋白含量的影响,实质上是将治疗前、后血红蛋白的差值作为分析指标,判断差值的总体均数是否为零,即分析差值与0相比是否有统计学意义。如果差异具有统计学意义,则表示血红蛋白含量有变化。因此,在SPSS软件中我们也可以生成一个治疗前、后血红蛋白的差值变量(dif=after-before),进行单样本均数的t检验(总体均数为0)。
结果如下:t=0.531,P=0.609
>0.05,尚不能认为克矽平对矽肺患者的血红蛋白含量有影响,与配对t检验结果一致。(t值相差一个负号是由于二者的差值计算公式刚好相反,如果配对t检验中,Paired
Variables框先放“after”,再放“before”,则t值结果相等)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14