1. 如何比较两组数据之间的差异性
1、如下图,比较两组数据之间的差异性。
(1)差异两组数据用什么指标扩展阅读
相关分析研究的是两个变量的相关性,但你研究的两个变量必须是有关联的,如果你把历年人口总量和你历年的身高做相关性分析,分析结果会呈现显著地相关,但它没有实际的意义,因为人口总量和你的身高都是逐步增加的,从数据上来说是有一致性,但他们没有现实意义。
当数据之间具有了显著性差异,就说明参与比对的数据不是来自于同一总体(Population),而是来自于具有差异的两个不同总体,这种差异可能因参与比对的数据是来自不同实验对象的,比如一些一般能力测验中,大学学历被试组的成绩与小学学历被试组会有显著性差异。也可能来自于实验处理对实验对象造成了根本性状改变,因而前测后测的数据会有显著性差异。
2. 检验两组实验数据是否有显著差异可以用F或t检验吗
当试验数据出现两种或者多种不同的结果时,应该采用统计学的方法,通过显著性检验来判断试验数据之间是否存在显著性差异。
显著性检验的方法通常有t检验法和F检验法:
t检验用来检测两组数据的准确度,确定是否存在系统误差
F检验又叫方差齐性检验,用来检测两组或多组数据的精密度,确定是否存在偶然误差
计算公式和查表之类的就不写了,太复杂,而且你手上应该都有
针对你的数据,如果只是“需要看一下两组差别是不是很大”,只用F检验即可
如果你需要确定数据是否存在系统误差,或是否与假设结论是否相符时,则需要用到t检验
提醒一句,若要进行t检验,首先得进行F检验,用以判断两组数据的方差齐性
若两组数据方差相等,则用t检验;若方差不等,则用变种的t'检验
总之,不论怎样,都要用到F检验
3. 比较两组数据显著差异用什么检验
交叉表卡方检验如果结果显著,那么有必要考究多个分组之间到底是哪些组间差异(率或构成比)有统计学意义,此时可采取分割法进行两两比较。在视频课程中,我介绍的是自己手动进行筛选个案,将整个样本拆分为多个两两比较的过程,比较麻烦且容易出错。 今天分享SPSS的一个厉害参数选项——【交叉表→Z检验-比较列比例】。借用 生存分析公号 的案例数据,欲考察了解乡镇、县城和城市中不同教师,对“你是否赞成教师聘任实行双向选择制度?”这一问题的看法是否存在差异
两个相关样本检验的方法主要有:Wilcoxon检验、Sign(符号)检验、McNemar检验和Marginal Homogeneity(边际同质性)检验等。
Sign(符号)检验
配对资料的符号检验,通过分析两个样本各每对数据之差的正负符号的数目,来判断两个总体分布是否相同,而不考虑差值的实际大小。它对样本是否来自正态总体没有严格规定,它常用来检验两平均值的一致性。
通常情况下,配对数据之差是正值时为“+”,是负值时为“-”。若所得的差值为“+”、“-”号的个数大致相等,则可认为两组数据的分布没有显著差异,出现“+”或“-”的概率为0.5。若配对数据之差中“+”号和“-”号出现次数悬殊,则说明就可以在一定的显著性水平α上,推断这两组数据的中值水平或总体分布是不相同的。
Wilcoxon符号秩检验 ( Wilcoxon signedrank test )
它是非参数统计中符号检验法的改进, 它不仅利用了观察值和原假设中心位置的差的正负,还利用了差的值的大小的信息。虽然是 简单的非参数方法,但却体现了秩的基本思想。
将差值按大小顺序排列且编自然序号(秩)后,若其正号的秩和(记为T+)与负号的秩
4. 如何判断两组数据是否有显著性差异
在作结论时,应确实描述方向性(例如显著大于或显著小于)。sig值通常用 P>0.05 表示差异性不显著;0.01<P<0.05 表示差异性显著;P<0.01表示差异性极显著。
显著性差异是统计学(Statistics)上对数据差异性的评价。通常情况下,实验结果达到0.05水平或0.01水平,才可以说数据之间具备了差异显著或是极显著。
当数据之间具有了显著性差异,就说明参与比对的数据不是来自于同一总体(Population),而是来自于具有差异的两个不同总体,这种差异可能因参与比对的数据是来自不同实验对象的。
一些一般能力测验中,大学学历被试组的成绩与小学学历被试组会有显著性差异。也可能来自于实验处理对实验对象造成了根本性状改变,因而前测后测的数据会有显著性差异。
(4)差异两组数据用什么指标扩展阅读:
显著性检验(significance test)就是事先对总体(随机变量)的参数或总体分布形式做出一个假设,然后利用样本信息来判断这个假设(备择假设)是否合理,即判断总体的真实情况与原假设是否有显著性差异。
或者说,显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异,还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体所做的假设做检验,其原理就是“小概率事件实际不可能性原理”来接受或否定假设。
显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异,以及这种差异是否显著的方法。
常把一个要检验的假设记作H0,称为原假设(或零假设) (null hypothesis) ,与H0对立的假设记作H1,称为备择假设(alternative hypothesis) 。
⑴ 在原假设为真时,决定放弃原假设,称为第一类错误,其出现的概率通常记作α;
⑵ 在原假设不真时,决定不放弃原假设,称为第二类错误,其出现的概率通常记作β
(3)α+β 不一定等于1。
通常只限定犯第一类错误的最大概率α, 不考虑犯第二类错误的概率β。这样的假设 检验又称为显著性检验,概率α称为显著性水平。
最常用的α值为0.01、0.05、0.10等。一般情况下,根据研究的问题,如果放弃真假设损失大,为减少这类错误,α取值小些 ,反之,α取值大些。
参考资料来源:网络-显著性差异