spss假设检验 配对样本t检验，史上最完整SPSS操作教程！

一、问题和数据

研究人员想测试一种新的运动饮料配方是否能帮助人们跑得更久。传统饮料配方为纯碳水化合物，新型饮料为碳水化合物-蛋白质混合物。

为了比较两种运动饮料对人们跑步距离的影响，研究人员招募了20名受试者，每个人进行两个实验，每个实验中的受试者在跑步机上锻炼2小时。在两个实验中，相同的受试者在跑步前喝纯碳水化合物饮料和碳水化合物-蛋白质混合饮料。同时，两个实验中所有受试者的顺序是平衡的，一半先喝纯碳水化合物饮料，另一半先喝碳水化合物-蛋白质混合饮料，分别记录他们的跑步距离。

碳水化合物饮料组的跑步距离记录为碳水化合物变量，碳水化合物-蛋白质饮料组的跑步距离记录为碳水化合物-蛋白质变量。研究人员想知道两组之间的跑步距离是否存在差异，即两种运动饮料对人的跑步距离的影响不同。在变量层面，也就是说carb变量和carb_protein变量的均值是否存在差异(下图显示了部分数据)。

配对样本测试表中给出了M和标准差，M =平均值，标准差=标准差。偏差。本例的效果值d为:

效应值是衡量研究成果实际意义的指标，科恩的强度分级标准如下:

在这个例子中，效果值是d=1.42，强度大。但效应值的缺点是其实际意义仅限于具体研究对象，没有完整规范的指南来解释效应值强度的意义。效应值的计算方法有很多，应该根据我们的研究设计和研究类型进行适当的选择。

七.写结论

一般来说，我们可以完整地报告结果如下:

数据以平均标准差的形式表示。在跑步距离上，饮用碳水化合物-蛋白质混合饮料的受试者的跑步距离(11.302±0.717公里)比饮用纯碳水化合物饮料的受试者的跑步距离(11.167±0.726公里)增加了0.136公里(95%置信区间:0.091-0.180公里)，差异有统计学意义(t(19)= 0.001，d=1.42)。

如果添加假设检验的内容，结果可以报告如下:

配对样本T检验用于判断饮用碳水化合物-蛋白质混合饮料和纯碳水化合物饮料的受试者之间的跑步距离差异是否具有统计学意义。数据以平均标准差的形式表示。

利用箱图，找到了两个距离箱体边缘1.5倍箱体长度以上的异常值，但由于这两个异常值的值都不是极端异常值，所以在后续的分析中仍然保留。根据夏皮罗-维尔克检验，两组差值的数据服从正态分布(P=0.780)。

在跑步距离上，饮用碳水化合物-蛋白质混合饮料的受试者的跑步距离(11.302±0.717公里)比饮用纯碳水化合物饮料的受试者的跑步距离(11.167±0.726公里)增加了0.136公里(95%置信区间:0.091-0.180公里)，差异有统计学意义(t(19)= 0.001，d=1.42)。

从无效假设和替代假设的角度来看，结果也可以报告如下:

与0相比，饮用碳水化合物-蛋白质混合饮料和纯碳水化合物饮料的两组之间的平均跑步距离差异具有统计学意义。因此，我们可以拒绝零假设，接受替代假设，认为喝碳水化合物-蛋白质混合饮料比喝纯碳水化合物饮料更有助于提高人的跑步距离。

最后我们可以用一个简单的95% CI(误差条)的条形图来更直观的呈现配对样本T检验的结果，感兴趣的读者可以自行绘制。

看完完整版配对样本T检验，还不够渴的童鞋可以继续看短版配对样本T检验:SPSS教程|配对样本T检验。

老话说得好，两套秘籍在你心里，你精通匹配T-test！