差異兩組數據用什麼指標

1. 如何比較兩組數據之間的差異性

1、如下圖，比較兩組數據之間的差異性。

(1)差異兩組數據用什麼指標擴展閱讀

相關分析研究的是兩個變數的相關性,但你研究的兩個變數必須是有關聯的,如果你把歷年人口總量和你歷年的身高做相關性分析,分析結果會呈現顯著地相關,但它沒有實際的意義,因為人口總量和你的身高都是逐步增加的,從數據上來說是有一致性,但他們沒有現實意義。

當數據之間具有了顯著性差異，就說明參與比對的數據不是來自於同一總體（Population），而是來自於具有差異的兩個不同總體，這種差異可能因參與比對的數據是來自不同實驗對象的，比如一些一般能力測驗中，大學學歷被試組的成績與小學學歷被試組會有顯著性差異。也可能來自於實驗處理對實驗對象造成了根本性狀改變，因而前測後測的數據會有顯著性差異。

2. 檢驗兩組實驗數據是否有顯著差異可以用F或t檢驗嗎

當試驗數據出現兩種或者多種不同的結果時，應該採用統計學的方法，通過顯著性檢驗來判斷試驗數據之間是否存在顯著性差異。
顯著性檢驗的方法通常有t檢驗法和F檢驗法：
t檢驗用來檢測兩組數據的准確度，確定是否存在系統誤差
F檢驗又叫方差齊性檢驗，用來檢測兩組或多組數據的精密度，確定是否存在偶然誤差
計算公式和查表之類的就不寫了，太復雜，而且你手上應該都有
針對你的數據，如果只是「需要看一下兩組差別是不是很大」，只用F檢驗即可
如果你需要確定數據是否存在系統誤差，或是否與假設結論是否相符時，則需要用到t檢驗
提醒一句，若要進行t檢驗，首先得進行F檢驗，用以判斷兩組數據的方差齊性
若兩組數據方差相等，則用t檢驗；若方差不等，則用變種的t'檢驗
總之，不論怎樣，都要用到F檢驗

3. 比較兩組數據顯著差異用什麼檢驗

交叉表卡方檢驗如果結果顯著，那麼有必要考究多個分組之間到底是哪些組間差異(率或構成比)有統計學意義，此時可採取分割法進行兩兩比較。在視頻課程中，我介紹的是自己手動進行篩選個案，將整個樣本拆分為多個兩兩比較的過程，比較麻煩且容易出錯。 今天分享SPSS的一個厲害參數選項——【交叉表→Z檢驗-比較列比例】。借用 生存分析公號 的案例數據，欲考察了解鄉鎮、縣城和城市中不同教師，對「你是否贊成教師聘任實行雙向選擇制度？」這一問題的看法是否存在差異

兩個相關樣本檢驗的方法主要有：Wilcoxon檢驗、Sign（符號）檢驗、McNemar檢驗和Marginal Homogeneity（邊際同質性）檢驗等。

Sign（符號）檢驗

配對資料的符號檢驗，通過分析兩個樣本各每對數據之差的正負符號的數目，來判斷兩個總體分布是否相同，而不考慮差值的實際大小。它對樣本是否來自正態總體沒有嚴格規定，它常用來檢驗兩平均值的一致性。

通常情況下，配對數據之差是正值時為「+」，是負值時為「-」。若所得的差值為「+」、「-」號的個數大致相等，則可認為兩組數據的分布沒有顯著差異，出現「+」或「-」的概率為0.5。若配對數據之差中「+」號和「-」號出現次數懸殊，則說明就可以在一定的顯著性水平α上，推斷這兩組數據的中值水平或總體分布是不相同的。

Wilcoxon符號秩檢驗 ( Wilcoxon signedrank test )

它是非參數統計中符號檢驗法的改進， 它不僅利用了觀察值和原假設中心位置的差的正負，還利用了差的值的大小的信息。雖然是 簡單的非參數方法，但卻體現了秩的基本思想。

將差值按大小順序排列且編自然序號（秩）後，若其正號的秩和（記為T+）與負號的秩

4. 如何判斷兩組數據是否有顯著性差異

在作結論時，應確實描述方向性（例如顯著大於或顯著小於）。sig值通常用 P>0.05 表示差異性不顯著；0.01<P<0.05 表示差異性顯著；P<0.01表示差異性極顯著。

顯著性差異是統計學（Statistics）上對數據差異性的評價。通常情況下，實驗結果達到0.05水平或0.01水平，才可以說數據之間具備了差異顯著或是極顯著。

當數據之間具有了顯著性差異，就說明參與比對的數據不是來自於同一總體（Population），而是來自於具有差異的兩個不同總體，這種差異可能因參與比對的數據是來自不同實驗對象的。

一些一般能力測驗中，大學學歷被試組的成績與小學學歷被試組會有顯著性差異。也可能來自於實驗處理對實驗對象造成了根本性狀改變，因而前測後測的數據會有顯著性差異。

(4)差異兩組數據用什麼指標擴展閱讀：

顯著性檢驗（significance test）就是事先對總體（隨機變數）的參數或總體分布形式做出一個假設，然後利用樣本信息來判斷這個假設（備擇假設）是否合理，即判斷總體的真實情況與原假設是否有顯著性差異。

或者說，顯著性檢驗要判斷樣本與我們對總體所做的假設之間的差異是純屬機會變異，還是由我們所做的假設與總體真實情況之間不一致所引起的。 顯著性檢驗是針對我們對總體所做的假設做檢驗，其原理就是「小概率事件實際不可能性原理」來接受或否定假設。

顯著性檢驗即用於實驗處理組與對照組或兩種不同處理的效應之間是否有差異，以及這種差異是否顯著的方法。

常把一個要檢驗的假設記作H0,稱為原假設（或零假設） (null hypothesis) ，與H0對立的假設記作H1，稱為備擇假設(alternative hypothesis) 。

⑴ 在原假設為真時，決定放棄原假設，稱為第一類錯誤，其出現的概率通常記作α；

⑵ 在原假設不真時，決定不放棄原假設，稱為第二類錯誤，其出現的概率通常記作β

(3)α+β 不一定等於1。

通常只限定犯第一類錯誤的最大概率α， 不考慮犯第二類錯誤的概率β。這樣的假設 檢驗又稱為顯著性檢驗，概率α稱為顯著性水平。

最常用的α值為0.01、0.05、0.10等。一般情況下，根據研究的問題，如果放棄真假設損失大，為減少這類錯誤，α取值小些 ，反之，α取值大些。

參考資料來源：網路-顯著性差異