
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?
2、对数据结构的分析
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
在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26