Excel中双样本t检验之等方差异方差假设
Excel 中双样本t 检验之等方差异方差假设
成组资料（非配对资料）的t 检验，是生物统计中必须掌握的基本技能贮备之一。在Excel 完全安装情况下，加载“分析工具库”，之后会在菜单上出现“数据分析”选项，我们会发现“分析工具”中有两个选项，分别是：“t 检验：双样本等方差假设”、“t 检验：双样本异方差假设”。
那么，对于成组资料t 检验，什么时候用等方差，什么时候用异方差呢？最好的办法就是进行“F 检验 双样本方差”齐性检验。如果通过检验，两个样本方差差异不显著，则选用“t 检验：双样本等方差假设”，如果两样本方差差异显著，则选用“t 检验：双样本异方差假设”。
例：有人曾对公雏鸡作了性激素效应试验。将22只公雏鸡完全随机地分为两组，每组11只。一组接受性激素A （睾丸激素）处理；另一组接受激素C （雄甾烯醇酮）处理。在第15天取它们的鸡冠个别称重，所得数据如下表。
题解：在excel 中录入数据，在菜单“数据分析”中，选择“F 检验 双样本方差”，选择A1:A12”所在区域为“变量1的区域”，选择“B1:B12”区域为“变量2 的区域”。勾选标志“a （A ）”，默认为0.05，在输出区域中随便找一个单元格（如单元格D1）， “确定”（见图1）。
图1 双样本方差的F-检验
图2 t-检验：双样本等方差假设检验 从上图可以看出，p=0.4452221﹥0.05，表示激素A 与激素C 的对应的鸡冠，方差差异不显著。换言之，就是样
本A 与样本B 为等方差，在t 检验
时，就选择“t 检验：双样本等方
差假设”，得到图2结果。
从图2输出结果可以看出，t
检验的结果是p=0.003000143﹤
0.01，表明差异极显著。也就是说，
激素A 处理的鸡冠重（97mg ）极显
著地高于激素C 处理的鸡冠重
（56mg ）。
目前不管是本科教材，还是高
职高专教材，生物统计仍是以公式手动计算为主，所采用的基本都是按照“t 检验：双样本等方差假设”，而且很多资料也表示，如果双样本都来源于同一总体，可以采用“t 检验：双样本等方差假设”。但，严格意义而言，应该进行“F 检验 双样本方差”之后，再判断t 检验时，到底是用等方差还是异方差。
例：用甲型流感病毒活疫苗进行预防，一组用气雾法，另一组用鼻腔喷雾法，免疫后采血，分别测定血凝抑制抗体滴度，结果如下，问两法免疫的效果有无差别？
气雾组
40 20 30 25 10 15 25 30 40 10 15 30 鼻腔喷雾法 50 40 30 35 60 70 30 20 25 70 35 25 录入数据，通过“F 检验 双样本方差”，可以看出p=0.04845332﹤0.05，所以t 检验时，应该用双样本异方差假设（见图3）。
通过“t 检验：双样本异方差假设”（见图4），得到p=0.01113641﹤0.05，所以说两种免疫的效果有显著差异。
值得说明的是：本科教材与高职教材，在利用公式手动计算时，不存在双样本方差是相等还是不相等，都采用“等方差”。所以，原教材中用传统的公
式手动计算的结果，是df=22，差异极显著。但通过双样本异方差假设对自由度进行加权的结果是，自由度df=18，差异显著。
图3 双样本方差的F-检验图3 t-检验：双样本异方差假设检验
计量经济学异方差的检验与修正
《计量经济学》实训报告 实训项目名称异方差模型的检验与处理 实训时间 2012-01-02 实训地点实验楼308 班级 学号 姓名
实 训 (实 践 ) 报 告 实 训 名 称 异方差模型的检验与处理 一、 实训目的 掌握异方差性的检验及处理方法。 二 、实训要求 1.求销售利润与销售收入的样本回归函数，并对模型进行经济意义检验和统计检验； 2.分别用图形法、Goldfeld-Quant 检验、White 方法检验模型是否存在异方差； 3.如果模型存在异方差，选用适当的方法对异方差进行修正，消除或减小异方差对模型的影响。 三、实训内容 建立并检验我国制造业利润函数模型，检验异方差性，并选用适当方法对其进行修正，消除或不同） 四、实训步骤 1.建立一元线性回归方程； 2.建立Workfile 和对象，录入数据； 3.分别用图形法、Goldfeld-Quant 检验、White 方法检验模型是否存在异方差； 4.对所估计的模型再进行White 检验，观察异方差的调整情况，从而消除或减小异方差对模型的影响。 五、实训分析、总结 表1列出了1998年我国主要制造工业销售收入与销售利润的统计资料。假设销售利润与销售收入之间满足线性约束，则理论模型设定为： 12i i i Y X u ββ=++ 其中i Y 表示销售利润，i X 表示销售收入。
表1 我国制造工业1998年销售利润与销售收入情况 行业名称销售利润Y 销售收入X 行业名称销售利润销售收入 食品加工业187.25 3180.44 医药制造业238.71 1264.1 食品制造业111.42 1119.88 化学纤维制品81.57 779.46 饮料制造业205.42 1489.89 橡胶制品业77.84 692.08 烟草加工业183.87 1328.59 塑料制品业144.34 1345 纺织业316.79 3862.9 非金属矿制品339.26 2866.14 服装制品业157.7 1779.1 黑色金属冶炼367.47 3868.28 皮革羽绒制品81.7 1081.77 有色金属冶炼144.29 1535.16 木材加工业35.67 443.74 金属制品业201.42 1948.12 家具制造业31.06 226.78 普通机械制造354.69 2351.68 造纸及纸品业134.4 1124.94 专用设备制造238.16 1714.73 印刷业90.12 499.83 交通运输设备511.94 4011.53 文教体育用品54.4 504.44 电子机械制造409.83 3286.15 石油加工业194.45 2363.8 电子通讯设备508.15 4499.19 化学原料纸品502.61 4195.22 仪器仪表设备72.46 663.68 1.建立Workfile和对象，录入销售收入X和销售利润Y： 图1 销售收入X和销售利润Y的录入 2.图形法检验 ⑴观察销售利润Y与销售收入X的相关图：在群对象窗口工具栏中点击
SPSS两独立样本T检验结果解析.
定量分析之两独立样本T检验 (2007-04-01 22:26:38) 由输出结果可以看出： 样本中区域编号为1（即苏南地区）的城市有5个。其地区生产总值的平均值为1928.3540亿元，标准差为1059.98148，均值标准误差为474.03813。人均GDP的平均值为40953.40元，标准差为13391.301，均值标准误差为5988.772。 样本中区域编号为2（即苏中地区）的城市有3个。其地区生产总值的平均值为906.4633 亿元，标准差为279.86759，均值标准误差为161.58163。人均GDP的平均值为15726.33元，标准差为1673.922，均值标准误差为966.440。 由输出结果可以看到： 对于地区生产总值来说，F值为2.574，相伴概率为0.160，大于显著性水平0.05，不能拒绝方差相等的假设，可以认为苏南和苏中的地区生产总值方差无显著差异；然后看方差相等
时T检验的结果，T统计量的相伴概率为0.167，大于显著性水平0.05，不能拒绝T检验的零假设，也就是说，苏南和苏中两个地区城市生产总值平均值不存在显著差异。另外从样本的均值差的95%置信区间看，区间跨0，这也说明两个地区生城市生产总值的平均值无显著差异。 对于人均GDP来说，F值为24.266，相伴概率为0.003，小于显著性水平0.05，拒绝方差相等的假设，可以认为苏南和苏中地区城市人均GDP方差存在显著差异；然后看方差不相等时T检验的结果，T统计量的相伴概率为0.013小于显著性水平0.05，拒绝T检验的零假设，也就是说，苏南和苏中两个地区城市人均GDP平均值存在显著差异。另外从样本的均值差的95%置信区间看，区间没有跨0，这也说明两个地区城市人均GDP平均值存在显著差异。
试验一异方差的检验与修正-时间序列分析
案例三 ARIMA 模型的建立 一、实验目的 了解ARIMA 模型的特点和建模过程，了解AR ，MA 和ARIMA 模型三者之间的区别与联系，掌握如何利用自相关系数和偏自相关系数对ARIMA 模型进行识别，利用最小二乘法等方法对ARIMA 模型进行估计，利用信息准则对估计的ARIMA 模型进行诊断，以及如何利用ARIMA 模型进行预测。掌握在实证研究如何运用Eviews 软件进行ARIMA 模型的识别、诊断、估计和预测。 二、基本概念 所谓ARIMA 模型，是指将非平稳时间序列转化为平稳时间序列，然后将平稳的时间序列建立ARMA 模型。ARIMA 模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA ）、自回归过程（AR ）、自回归移动平均过程（ARMA ）以及ARIMA 过程。 在ARIMA 模型的识别过程中，我们主要用到两个工具：自相关函数ACF ，偏自相关函数PACF 以及它们各自的相关图。对于一个序列{}t X 而言，它的第j 阶自相关系数j ρ为它的j 阶自协方差除以方差，即j ρ＝j 0γγ ，它是关于滞后期j 的函数，因此我们也称之为自相关函数，通常记ACF(j )。偏自相关函数PACF(j )度量了消除中间滞后项影响后两滞后变量之间的相关关系。 三、实验内容及要求 1、实验内容： （1）根据时序图的形状，采用相应的方法把非平稳序列平稳化； （2）对经过平稳化后的1950年到2007年中国进出口贸易总额数据运用经典B-J 方法论建立合适的ARIMA （,,p d q ）模型，并能够利用此模型进行进出口贸易总额的预测。 2、实验要求： （1）深刻理解非平稳时间序列的概念和ARIMA 模型的建模思想； （2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARIMA 模型；如何利用ARIMA 模型进行预测； （3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 （1）数据录入 打开Eviews 软件，选择“File”菜单中的“New --Workfile”选项，在“Workfile structure type ”栏选择“Dated –regular frequency ”，在“Date specification ”栏中分别选择“Annual ”(年数据) ，分别在起始年输入1950，终止年输入2007，点击ok ，见图3-1，这样就建立了一个工作文件。点击File/Import ，找到相应的Excel 数据集，导入即可。
独立样本T检验
独立样本T检验 要求被比较的两个样本彼此独立，既没有配对关系，要求两个样本均来自正态分布，要求均值是对于检验有意义的描述统计量。 例如：男性和女性的工资均值比较 分析——比较均值——独立样本T检验。 分析身高大于等于155厘米与身高小于155的两组男生的体重和肺活量均值之间是否有显著性差异。
组统计量 身高N 均值标准差均值的标准误 >= 155.00 13 40.838 5.1169 1.4192 体重 < 155.00 16 34.113 3.8163 .9541 >= 155.00 13 2.4038 .40232 .11158 肺活量 < 155.00 16 2.0156 .42297 .10574 基本信息的描述 方差齐次性检验（详见下面第二个例题）和T检验的计算结果。从sig（双侧）栏数据可以看出，无论两组体重还是肺活量，方差均是齐的，均选择假设方差相等一行数据进行分析得出结论。 体重T检验结果，sig(双侧)=0.000，小于0.01，拒绝原假设。两组均值之差的99%上、下限均为正值，也说明两组体重均值之差与0的差异显著。由此可以得出结论，按身高155.0分组的两组体重均值差异，在统计学上高度显著。 肺活量T检验的结果，sig（双侧）=0.018，大于0.01,。两组均值之差的上下限为
一个正值，一个负值，也说明差值的99%上下限与0的差异不显著。由此可以得出结论，按身高155.0分组烦人两组肺活量均值差异在99%水平上不显著，均值差异是由抽样误差引起的。 以性别作为分组变量，比较当前工资salary变量的均值
方差齐性检验（levene检验）结果，F值为119.669，显著性概率为p<0.001,因此结论是两组方差差异显著，及方差不齐。在下面的T 检验结果中应该选择假设方差不相等一行的数据作为本例的T检验的结果数据，另一航是假设方差相等的T检验的据算数据，不取这个结果。 T的值sig 两组均值差异为15409.9.平均现工资女的低于男的15409.9. 差值的标准误为1318.40 差分的95%的置信区间在-18003~-12816之间，不包括0，也说明两组均值之差与0有显著差异。 结论：从T 检验的P的值为0.000<0.01，和均值之差值的95%置信区间不包括0都能得出，女雇员现工资明显低于男雇员，茶差异有统计学意义。
异方差的检验与修正
财经学院 本科实验报告 学院（部）统计学院 实验室313 课程名称计量经济学 学生姓名 学号1204100213 专业统计学 教务处制 2014年12 月15 日
《异方差》实验报告
五、实验过程原始记录(数据、图表、计算等) 一．选择数据 1.建立工作文件并录入数据File\New\workfile, 弹出Workfile create 对话框中选择数据类型。Object\new object\group,按向上的方向键，出现两个obs 后输入数据. 中国地2006年各地区农村居民家庭人均纯收入与消费支出 单位：元 城市 y x1 x2 城市 y x1 x2 5724.5 958.3 7317.2 2732.5 1934.6 1484.8 3341.1 1738.9 4489 3013.3 1342.6 2047 2495.3 1607.1 2194.7 3886 1313.9 3765.9 2253.3 1188.2 1992.7 广西 2413.9 1596.9 1173.6 2772 2560.8 781.1 2232.2 2213.2 1042.3 3066.9 2026.1 2064.3 2205.2 1234.1 1639.7 2700.7 2623.2 1017.9 2395 1405 1597.4 2618.2 2622.9 929.5 1627.1 961.4 1023.2 8006 532 8606.7 2195.6 1570.3 680.2 4135.2 1497.9 4315.3 2002.2 1399.1 1035.9 6057.2 1403.1 5931.7 2181 1070.4 1189.8 2420.9 1472.8 1496.3 1855.5 1167.9 966.2 3591.4 1691.4 3143.4 2179 1274.3 1084.1 2676.6 1609.2 1850.3 2247 1535.7 1224.4 3143.8 1948.2 2420.1 2032.4 2267.4 469.9 2229.3 1844.6 1416.4 二．对数据进行参数估计，得出多元线性回归模型 1.模型设定为εβββ+++=23121i i i X X Y Yi ----人均消费支出 X1--从事农业经营的纯收入 X2--其他来源的纯收入 2.点Quick\estimate equation,在弹出的对话框中输入”Y C X ”，结果如下：
实验异方差地检验与修正
实验异方差的检验与修正 实验目的 1、理解异方差的含义后果、 2、学会异方差的检验与加权最小二乘法 实验容 一、准备工作。建立工作文件，并输入数据，用普通最小二乘法估计方程（操作 步骤与方法同前），得到残差序列。 表2列出了1998年我国主要制造工业销售收入与销售利润的统计资料，请利用统计软件Eviews建立我国制造业利润函数模型。 表2 我国制造工业1998年销售利润与销售收入情况 二、异方差的检验 1、图形分析检验 ⑴观察销售利润（Y）与销售收入（X）的相关图(图3-1)：SCAT X Y
图3-1 我国制造工业销售利润与销售收入相关图 从图中可以看出，随着销售收入的增加，销售利润的平均水平不断提高，但离散程度也逐步扩大。这说明变量之间可能存在递增的异方差性。 ⑵残差分析 首先将数据排序（命令格式为：SORT 解释变量），然后建立回归方程。在方程窗口中点击Resids按钮就可以得到模型的残差分布图（或建立方程后在Eviews工作文件窗口中点击resid对象来观察）。 图3-2 我国制造业销售利润回归模型残差分布 图3-2显示回归方程的残差分布有明显的扩大趋势，即表明存在异方差性。 2、Goldfeld-Quant检验 ⑴将样本安解释变量排序（SORT X）并分成两部分（分别有1到10共11个样本合19到28共10个样本） ⑵利用样本1建立回归模型1（回归结果如图3-3），其残差平方和为2579.587。 SMPL 1 10 LS Y C X
图3-3 样本1回归结果 ⑶利用样本2建立回归模型2（回归结果如图3-4），其残差平方和为63769.67。 SMPL 19 28 LS Y C X 图3-4 样本2回归结果 ⑷计算F 统计量：12/RSS RSS F =＝63769.67/2579.59=24.72，21RSS RSS 和分别是模型1和模型2的残差平方和。 取05.0=α时，查F 分布表得44.3)1110,1110(05.0=----F ，而 44.372.2405.0=>=F F ，所以存在异方差性 3、White 检验 ⑴建立回归模型：LS Y C X ，回归结果如图3-5。
两独立样本和配对样本T检验
两独立样本T检验 目的：利用来自两个总体的独立样本，推断两个总体的均值是否存在显著差异。 检验前提： 样本来自的总体应服从或近似服从正态分布； 两样本相互独立，样本数可以不等。 两独立样本T检验的基本步骤： 提出假设 原假设H_0：μ_1-μ_2=0 备择假设H_1：μ_1-μ_2≠0 建立检验统计量 如果两样本来自的总体分别服从N(μ_1,σ_1^2 )和N(μ_2,σ_2^2 )，则两样本均值差(x_1 ) ?-x ?_2应服从均值为μ_1-μ_2、方差为σ_12^2的正态分布。 第一种情况：当两总体方差未知且相等时，采用合并的方差作为两个总体方差的估计，为：s^2=((n_1-1) s_1^2+(n_2-1) s_2^2)/(n_1+n_2-2) 则两样本均值差的估计方差为： σ_12^2=s^2 (1/n_1 +1/n_2 ) 构建的两独立样本T检验的统计量为： t= ((x_1 ) ?-x ?_2)/√(s^2 (1/n_1 +1/n_2 ) ) 此时，T统计量服从自由度为n_1+n_2-2个自由度的t分布。 第二种情况：当两总体方差未知且不相等时，两样本均值差的估计方差为： σ_12^2=(s_1^2)/n_1 +(s_2^2)/n_2 构建的两独立样本T检验的统计量为： t= ((x_1 ) ?-x ?_2)/√((s_1^2)/n_1 +(s_2^2)/n_2 ) 此时，T统计量服从修正自由度的t分布，自由度为： f= ((s_1^2)/n_1 +(s_2^2)/n_2 )^2/(((s_1^2)/n_1 )^2/n_1 +((s_2^2)/n_2 )^2/n_2 ) 可见，两总体方差是否相等是决定t统计量的关键。所以在进行T检验之前，要先检验两总体方差是否相等。SPSS中使用方差齐性检验（Levene F检验）判断两样本方差是否相等近而间接推断两总体方差是否有显著差异。 三、计算检验统计量的观测值和p值 将样本数据代入，计算出t统计量的观测值和对应的概率p值。 四、在给定显著性水平上，做出决策 首先，利用F统计量判断两总体方差是否相等，Levene F检验的原假设为两独立总体方差相等。概率p<0.05时，有充分理由拒绝原假设，说明方差不齐；否则，两样本方差无显著性差异。 其次，将设定的显著性水平α与检验统计量的p值比较，如果t统计量的p值小于α，落入拒绝域内，则我们有充分理由拒绝原假设，认为两总体均值有显著差异。 SPSS实现过程： 菜单：Analyze -> Compare Means-> Independent Samples T test Test Variable(s)：待检验的变量（一般是定距或定序变量） Grouping Variable ：分组变量（只能比较两个样本）
异方差性的检验和补救
异方差性的检验和补救 一、研究目的和要求 表1列出了1998年我国主要制造工业销售收入与销售利润的统计资料，请利用统计软件Eviews建立我国制造业利润函数模型，检验其是否存在异方差，并加以补救。 表1 我国制造工业1998年销售利润与销售收入情况 二、参数估计 EVIEWS 软件估计参数结果如下
Dependent Variable: Y Method: Least Squares Date: 06/01/16 Time: 20:16 Sample: 1 28 Included observations: 28 Variable Coefficient Std. Error t-Statistic Prob. C 12.03349 19.51809 0.616530 0.5429 X 0.104394 0.008442 12.36658 0.0000 R-squared 0.854694 Mean dependent var 213.4639 Adjusted R-squared 0.849105 S.D. dependent var 146.4905 S.E. of regression 56.90455 Akaike info criterion 10.98938 Sum squared resid 84191.34 Schwarz criterion 11.08453 Log likelihood -151.8513 Hannan-Quinn criter. 11.01847 F-statistic 152.9322 Durbin-Watson stat 1.212781 Prob(F-statistic) 0.000000 用规范的形式将参数估计和检验结果写下 2?12.033490.104394(19.51809)(0.008442) =(0.616530) (12.36658)0.854694152.9322 i Y X t R F =+ = = 三、 检验模型的异方差 （一） 图形法 1. 相关关系图 X Y X Y 相关关系图
独立样本T检验
独立样本T检验均要求被比较的两个样本彼此独立，既没有配对关系，要求两个样本 来自正态分布，要求均值是对于检验有意义的描述统计量。例如：男性和女性的工资均值比较分析——比较均值——独立样本T检验。的两组男生的体重和肺活分析身高大于等于155厘米与身高小于155 量均值之间是否有显著性差异。组统计量均值的标准误均值标准差身高 N 1.4192 40.838 5.1169 >= 155.00 13 体重.9541 3.8163 16 < 155.00 34.113 >= 155.00 13 .40232 2.4038 .11158 肺活量< 155.00 .42297 16 2.0156 .10574 基本信息的描述（双侧）栏T检验的计算结果。从sig方差齐次性检验（详见 下面第二个例题）和数据可以看出，无论两组体重还是肺活量，方差均是齐的，均选择假设方差相等一行数据进行分 析得出结论。 体重T检验结果，sig(双侧)=0.000，小于0.01，拒绝原假设。两组均值之差的99%上、下限均为正值，也说明两组体重均值之差与0的差异显著。由此可以得出结论，按身高155.0分组的两组体重均值差异，在统计学上高度显著。 肺活量T检验的结果，sig（双侧）=0.018，大于0.01,。两组均值之差的上下限 为一个正值，一个负值，也说明差值的99%上下限与0的差异不显著。由此可以 得出结论，按身高155.0分组烦人两组肺活量均值差异在99%水平上不显著，均 值差异是由抽样误差引起的。 以性别作为分组变量，比较当前工资salary变量的均值 组统计量 性别 N 均值标准差均值的标准误 $514.258 216 女$7,558.021 $26,031.92 当前工资$1,213.968 男258 $19,499.214 $41,441.78 ，显著性概率为119.669值为F检验）结果，levene方差齐性检验（．
独立样本T检验
独立样本T检验 Prepared on 22 November 2020
独立样本T检验要求被比较的两个样本彼此独立，既没有配对关系，要求两个样本均来自正态分布，要求均值是对于检验有意义的描述统计量。 例如：男性和女性的工资均值比较 分析——比较均值——独立样本T检验。 分析身高大于等于155厘米与身高小于155的两组男生的体重和肺活量均值之间是否有显着性差异。 基本信息的描述 方差齐次性检验（详见下面第二个例题）和T检验的计算结果。从sig（双侧）栏数据可以看出，无论两组体重还是肺活量，方差均是齐的，均选择假设方差相等一行数据进行分析得出结论。 体重T检验结果，sig(双侧)=，小于，拒绝原假设。两组均值之差的99%上、下限均为正值，也说明两组体重均值之差与0的差异显着。由此可以得出结论，按身高分组的两组体重均值差异，在统计学上高度显着。 肺活量T检验的结果，sig（双侧）=，大于,。两组均值之差的上下限为一个正值，一个负值，也说明差值的99%上下限与0的差异不显着。由此可以得出结论，按身高分组烦人两组肺活量均值差异在99%水平上不显着，均值差异是由抽样误差引起的。 以性别作为分组变量，比较当前工资salary变量的均值
方差齐性检验（levene检验）结果，F值为，显着性概率为p<,因此结论是两组方差差异显着，及方差不齐。在下面的T 检验结果中应该选择假设方差不相等一行的数据作为本例的T检验的结果数据，另一航是假设方差相等的T检验的据算数据，不取这个结果。 T的值 sig 两组均值差异为.平均现工资女的低于男的. 差值的标准误为 差分的95%的置信区间在-18003~-12816之间，不包括0，也说明两组均值之差与0有显着差异。 结论：从T 检验的P的值为<，和均值之差值的95%置信区间不包括0都能得出，女雇员现工资明显低于男雇员，茶差异有统计学意义。
独立样本的T检验
独立样本的T检验 （independent-samples T Test） 对于相互独立的两个来自正态总体的样本，利用独立样本的T 检验来检验这两个样本的均值和方差是否来源于同一总体。在SPSS 中，独立样本的T检验由“Independent-Sample T Test”过程来完成。 例：双语教师的英语水平有高低之分，他们（她们）所教的学生对双语教学的态度是否有显著差异？ 例题分析： ——研究目的：寻找差异 ——自变量：双语教师的英语水平（ordinal data等级变量），有两个水平：；level1低水平，level2 高水平 ——因变量：学生的双语教学态度（interval data等距变量） SPSS操作步骤 ·Analyze→Compare Means→Independent Samples T Test ·Click the 双语教学态度to the column of “Test Variable(s)” and the 教师英语水平分组to the column of “Grouping variable” ·Click the button of “Define Groups…” and put the group numbers “1” and “3” into Group 1 and Group 2, and “Continue” back, then “OK”.
结果在论文中的呈现方式 独立样本T检验结果显示，双语教师的英语水平不同，其所教学生对双语教学的态度有显著差异（t=-3,249, df=72, p<0.05）。双语教师英语水平较低所教的学生，他们对双语教学态度的得分也显著低于英语水平较高的双语教师所教的学生（MD=-0.65）。这可能是因为…… 练习：文科生和理科生对双语教学的态度是否有显著差异？ 配对样本T检验（Paired-samples T Test） 配对样本T检验，用于检验两个相关的样本（配对资料）是否来自具有相同均值的总体。 例：本次调查中，学生对自己英语能力水平和英语知识水平的评价之间是否有显著差异？ 例题分析： ——研究目的：寻找差异 ——自变量：学生的评价对象（norminal data定类数据）,有两个水平：level1对自身英语能力水平的评价，level2对自身英语知识水平的评价。 ——因变量：学生自身英语能力和知识的评价分数
独立样本T检验
2027070012 冉垚独立样本T 题目：昆明男子立定跳远成绩与怒江男子立定跳远成绩比较 一、前提条件： 1.昆明男子立定跳远成绩与怒江男子立定跳远成绩均是正太分布或者近似正态分布的连续变量； 2.两个样本是独立样本，因为昆明和怒江是两个不同的地区； 3.方差齐同与否未知 昆明和怒江男子立定跳远成绩样本分别有132个和14个，平均值分别是2.5442米和 2.5236米，标准差分别为0.15223米和0.06757米。 2.表2“方差齐同性”分析数据解读： 的意义：昆明和怒江男子立定跳远成绩方差齐同； （1）原假设H （2） a=0.05 （3）对应的SPSS操作程序： 打开昆明和怒江男子立定跳远成绩数据，建立一个新的数据分析库。 分析——比较平均值——独立样本T检验——检验变量修改为男子立地跳远成绩、分组变量为地区、
定义级别（组1为昆明，组2为怒江）、显著性水平为95%——确认——确认 （4）方差齐同性第5步，比较判断 统计结论： F=7.425,p=0.007
异方差的检验比较和修正
2007年 5 月 Journal of Science of Teachers′College and University May 2007 文章编号：1007-9831（2007）03-0027-03 异方差的检验比较和修正 陈晖1, 2 ，杨乃军 3 （1. 山东大学 数学与系统科学学院，山东 济南 250100；2. 烟台职业学院 软件工程学院，山东 烟台 264001； 3. 烟台大学 教务处，山东 烟台 264001） 摘要：异方差是计量经济工作中线性回归模型经常遇到的问题，异方差的存在对线性回归分析有很强的破坏作用．通过对异方差产生的原因和后果进行分析，利用异方差的戈德菲尔特-夸特检验、拉格朗日乘数（LM）检验、怀特检验方法，判断线性回归模型异方差的存在性．通过加权最小二乘法或可行广义最小二乘法进行修正，建立能够真正反映经济规律的经济模型，实现对经济的正确指导作用． 关键词：异方差；戈德菲尔特-夸特检验；拉格朗日乘数（LM）检验；最小二乘法 中图分类号：F222.1 文献标识码 ：A 1 异方差产生的原因 在计量经济学中，建立线性回归模型时需要做一些假设，从而保证所分析的变量关系符合线性回归分析的基本规定性，明确分析对象，保证回归分析的有效性．其中之一要求随机误差项同方差，即2)var(σε=i 不随i 变化，保证扰动因素对被解释变量的影响是简单的、随机的，不构成主要的影响因素．当这条假设不满足，也就是线性回归模型误差项2)var(i i σε=随i 的变化而变化，这时候就产生了异方差，此时称线性回归模型存在异方差或异方差性．如果对应线性回归模型误差项随着i X 或i 的增大而增大，称为“递增异方差”，反之称为“递减异方差”，有时也有先增后减或者先减后增的其他复杂类型的异方差[1-2] ． 模型中异方差产生的原因，根据来源可以归纳为以下几方面原因：（1）模型中省略相关的解释变量； （2）误差随时间变化而变化；（3）模型设定不合理带来异方差；（4）分组数据误差带来异方差． 2 异方差的后果 计量经济模型一旦出现异方差，就会破坏模型假设的基本条件，如果仍然采用普通最小二乘法的估计方法，则会产生如下的不良后果： （1）参数估计量失效：因为在有效性证明中利用了同方差的条件，因此所求的OLS 参数估计值虽然仍具有无偏性，但不再是有效的； （2）变量的显著性检验失效：因为在变量的显著性检验中，构造的t 统计量包含有随机误差项的方差 2u σ，如果出现异方差，则t 检验就失去意义； （3）模型预测失效：这是因为在预测值的置信区间中包含有随机误差项的方差2 u σ，导致预测值的置 信区间加大，降低了预测的精度，使预测失效[3] ． ３ 异方差的检验方法 收稿日期：2006-12-18 作者简介：陈晖（1970-），女，山东青岛人，讲师，在读研究生，从事金融数学研究．E-mail：ch_yt@https://www.360docs.net/doc/2f15642045.html,
异方差的检验及修正
异方差问题的检验与修正 【实验目的】 1、深刻理解异方差性的实质、异方差出现的原因、异方差的出现对模型的不良影响（即异方差的后果），掌握估计和检验异方差性的基本思想和修正异方差的若干方法。 2、能够运用所学的知识处理模型中的出现的异方差问题，并要求初步掌握用Eviews处理异方差的基本操作方法。 【实验原理】 1、最小二乘估计。 2、异方差。 3、最小二乘残差图解释异方差。 4、Breusch-Pagan检验（B-P检验）和White检验（怀特检验）检验特定方差函数的异方差性。 5、稳健标准差和加权最小二乘法对特定方差函数的异方差性的修正。 【实验软件】 Eviews6.0 【实验步骤】 一、设定模型 首先将实验数据导入软件之中。（注：本实验报告正文部分只显示软件统计结果，导入数据这一步骤参见附A） 本次实验的数据主要是Big Andy店的食品销售收入数据与食品价格数据，共采用了75组。 实验数据来源于课本中的例题，由老师提供。如下表： 表Big Andy店月销售收入和价格的观测值
sales price sales price sales price sales price 73.2 5.6975.7 5.5978.1 5.773.7671.8 6.4974.4 6.2288 5.2271.2 6.3762.4 5.6368.7 6.4180.4 5.0584.7 5.3367.4 6.2283.9 4.9679.7 5.7673.6 5.2389.3 5.0286.1 4.8373.2 6.2573.7 5.8870.3 6.4173.7 6.3585.9 5.3478.1 6.2473.2 5.8575.7 6.4783.3 4.9869.7 6.4786.1 5.4178.8 5.6973.6 6.3967.6 5.4681 6.2473.7 5.5679.2 6.2286.5 5.1176.4 6.280.2 6.4188.1 5.187.6 5.0476.6 5.4869.9 5.5464.5 6.4984.2 5.0882.2 6.1469.1 6.4784.1 4.8675.2 5.8682.1 5.3783.8 4.9491.2 5.184.7 4.8968.6 6.4584.3 6.1671.8 5.9873.7 5.6876.5 5.3566 5.9380.6 5.0282.2 5.7380.3 5.2284.3 5.273.1 5.0874.2 5.1170.7 5.8979.5 5.6281 5.2375.4 5.7175 5.2180.2 5.2873.7 6.0281.3 5.45 75 6.05 81.2 5.83 69 6.33 其中，sales 表示在某城市的月销售收入，以千美元为单位；price 表示在该城市的价格，以美元为单位。 假设表1中的月销售收入数据满足假设SR1—SR5。即，假设Big Andy 店的月销售收入的期望值是产品价格水平的线性函数，误差项额的均值为零，销售收入的方差和误差项e 的方差相同，随机误差项e 在统计上不相关，且选取的价格的值是非随机的。 这样，在上面的基础之上，建立Big Andy 的食品销售收入（sales ）与食品价格（price ）之间的线性模型方程： e price sales ++=10ββ根据最小二乘估计的思想估计模型参数，（此过程参见附B ）结果如下图： Coefficient Std.Error t-Statistic Prob.C 121.9002 6.52629118.678320.0000PRICE -7.829074 1.142865 -6.850394 0.0000R-squared 0.391301Mean dependent var 77.37467Adjusted R-squared 0.382963 S.D.dependent var 6.488537
独立样本的T检验
本科学生实验报告 学号：********* 姓名：********* 学院：生命科学学院专业、班级：11级应用生物教育A班实验课程名称：生物统计学实验 教师：孟丽华（讲师） 开课学期：2012 至2013 学年下学期填报时间：2013 年 4 月17 日 云南师范大学教务处编印
（六）、实验总结分析： 1、独立样本T检验的该结果分为两大部分：第一部分为Levene's方差齐性检验，用于判断两总体方差是否齐；第二部分则分别给出两组所在总体方差齐和方差不齐时的t检验结果。从而最终的统计结论为按α=0.05水准，接受H0。 2、选用的检验方法必须符合其适用条件(注意：t检验的前提是资料服从正态分布) 。理论上，即使样本量很小时，也可以进行t检验，被比较的两组样本彼此独立, 没有配对关系；两组样本均来自正态总体；均值是对于检验有意义的描述统计量； 3、区分单侧检验和双侧检验。单侧检验的界值小于双侧检验的界值，因此更容易拒绝。t检验中的p值是接受两均值存在差异这个假设可能犯错的概率。在统计学上，当两组观察对象总体中的确不存在差别时，这个概率与我们拒绝了该假设有关； 4、正确理解P值与差别有无统计学意义。P越小，不是说明实际差别越大，而是说越有理由拒绝H0 ，越有理由说明两者有差异，差别有无统计学意义和有无专业上的实际意义并不完全相同； 5、假设检验和可信区间的关系结论具有一致性差异：提供的信息不同区间估计给出总体均值可能取值范围，但不给出确切的概率值，假设检验可以给出H0成立与否的概率； 6、由于在抽样试验中，其理论频率P0常为未知数，就不能将样本某属性出现的频率域理论频率进行比较，只能进行两个样本频率的比较； 7、通过此次实验，更加熟悉了SPSS软件的应用，学习了独立样本的t检验，了解T检验可用来推断两个总体的均值是否存在显著差异，从而对统计数据进行分析。
三、独立样本T检验
独立样本的T检验 对于相互独立的两个来自正态总体的样本，利用独立样本的T检验来检验这两个样本的均值和方差是否样本的T检验由“Independent-Sample T Test”过程来完成。 实例 在有小麦丛矮病的麦田里，调查了13株病株和11株健株的植株高度，分析健株高度是否高于病株。其 健株 26.0 32.4 37.3 37.3 43.2 47.3 51.8 55.8 57.8 64.0 65.3 病株 16.7 19.8 19.8 23.3 23.4 25.0 36.0 37.3 41.4 41.7 45.7 48.2 57.8 该数据保存在“DATA4-3.SAV”文件中，变量格式如图4-6，状态变量中：1表示病株，2表示健株。 图4-6 1）准备分析数据 在数据编辑窗口输入分析的数据，如图4-6所示。或者打开需要分析的数据文件“DATA4-3.SAV”。 2）启动分析过程 在主菜单选中“Analyze”中的“Compare Means”，在下拉菜单中选中“Independent -Sample T Te 框。。
图4-7 独立样本T检验窗口 3）设置分析变量 从“Test Variable(s):”从左边的变量列表中选中变量后，点击右拉按钮后，这个变量就进入到里，用户可以从左边变量列表里选择一个或多个。本例选择“小麦丛矮病[株高]”。 “Grouping Variable(s):”栏是分组变量栏。从左边的变量列表中选中分组变量后，按右拉按钮Variable(s):”框里。本例选择“状态”变量。 “Define Groups”按钮是定义分组变量的分组值。当该按钮可用时，出现图4-8对话框。 图4-8 定义分组值对话框 如果分组变量是离散型数值变量应选择“Use specified values”项，该项下面的“Group 1”和“G 变量值；字符型数据输入相应分组字符。若分组变量是连续型变量，应选择“Cut point”项，分组变两组。 本例选择“Use specified values”项，在“Group 1”栏输入1；在“Group 2”栏输入2。按“Cont 4）设置其他参数 点击“Options”按钮，打开设置检验的置信度和缺失值对话框。在“Confidence Interval:” 95%；“Missing Values”框里的“Exclude cases analysis by analysis”栏，是只排除分析变量cases listwise”是排除任何含有缺失值的选择项。
实验报告：异方差的检验与修正——樊月 13241134
实验报告一：异方差的检验与修正实验一：
Y=-1168.455+0.201557X(2001Q1-2007Q1) （-1.6147）（11.4080） ∑21=20333301 R2=0.849815 e Y=4126.255+0.186574X(2009Q4-2015Q4) （0.8309）（5.2491） ∑22=521000000 R2=0.5450 e
求F 统计量 F= e ∑2 2 / e ∑2 1 =25.6229,查F 分布表，给定显著性水平α=0.05，得临界值 )25,25(05.0F =1.96，比较F=25.6229>)25,25(05.0F =1.96则拒绝σσ2 2210: =H ，表明 随机误差项显著异方差。 异方差的修正 1.WLS 估计法 Dependent Variable: Y Method: Least Squares Date: 03/28/16 Time: 22:20Sample: 2001Q1 2015Q4Included observations: 60Weighting series: X^(-0.5) Weight type: Inverse standard deviation (EViews default scaling) Variable Coefficient Std. Error t-Statistic Prob. C -2141.584594.5232-3.6021870.0007X 0.228845 0.008247 27.74893 0.0000 Weighted Statistics R-squared 0.929952 Mean dependent var 14420.76Adjusted R-squared 0.928744 S.D. dependent var 6208.501S.E. of regression 2666.201 Akaike info criterion 18.64746Sum squared resid 4.12E+08 Schwarz criterion 18.71727Log likelihood -557.4239 Hannan-Quinn criter.18.67477F-statistic 770.0030 Durbin-Watson stat 1.984442Prob(F-statistic) 0.000000 Weighted mean dep.11606.11 Unweighted Statistics R-squared 0.911314 Mean dependent var 17655.45Adjusted R-squared 0.909785 S.D. dependent var 11690.49S.E. of regression 3511.338 Sum squared resid 7.15E+08Durbin-Watson stat 1.975033 2.对数变换法