（1）假设条件
两个样本是独立的样本
正态总体或非正态总体大样本（样本量不小于30）
两样本方差已知
（2）检验统计量及其分布、原假设及拒绝域
表 7‑1 z检验原假设、统计量及拒绝域
例：对如下两样本标准差均为10，试以005的显著水平检验两样本均值是否相等。
（1）在EXCEL中输入数据（图 7‑2 A:C列）。
（2）数据｜分析｜数据分析｜z检验：双样本平均差检验，设置对话框如下。
图 7‑1 z检验：双样本平均差检验对话框
（2）单击“确定”生成分析报告。
图 7‑2 检验结果
本问题是检验两样本均值是否相等，故为双尾检验。由分析报告可见，截尾概率为0001756<005，拒绝均值相等的原假设。
（1）假设条件
两个总体配对差值构成的总体服从正态分布
配对差是由总体差随机抽样得来的
数据配对或匹配（重复测量（前/后））
（2）检验统计量及其分布、原假设及拒绝域
例：对如下成对数据检验X的均值是否大于Y的均值。
图 8‑1 数据资料
（1）数据｜分析｜数据分析｜t检验：成对双样本平均值，d出对话框并设置如下：
图 8‑2 平均值成对双样本检验对话框
（2）单击“确定”得检验结果报告：
图 8‑3 检验结果
图 8‑4 单边t检验拒绝域
（1）假设条件
两个独立的小样本
两总体都是正态总体
两总体方差未知，但值相等
（2）检验统计量及其分布、原假设及拒绝域
表 9‑1 z检验原假设、统计量及拒绝域
例：对如下数据检验X与Y的均值，假设两总体方差相等，检验两总体均值是否存在显著差异（显著水平005）。
图 9‑1 数据资料
（1）数据｜分析｜数据分析｜t检验：成对双样本平均值，d出对话框并设置如下：
图 9‑2 单等方差检验对话框
（2）单击“确定”得检验结果报告：
报告结果显示，双尾P值084>005不拒绝原假设，即认为两总体均值无显著差异。
图 9‑3 检验结果报告
（1）假设条件
两总体都是正态总体
两总体方差未知，且值不等
（2）检验统计量及其分布、原假设及拒绝域
表 10‑1 z检验原假设、统计量及拒绝域
例：对如下数据检验X与Y的均值，假设两总体方差不等，检验两总体均值是否存在显著差异（显著水平005）。
图 10‑1 数据资料
（1）数据｜分析｜数据分析｜t检验：成对双样本平均值，d出对话框并设置如下：
图 10‑2 异方差检验对话框
（2）单击“确定”得检验结果报告。由报告可见，双尾截尾概率（P值）为085>005不拒绝原假设，即两样本总体均值无显著差异。
我们关注的是P值，当该值小于显著水平时，图中的P值值远小于005,效应显著。
图 10‑3 检验结果报告
F检验又叫方差齐性检验。从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用秩和检验等方法。其中要判断两总体方差是否相等，就可以用F检验。F检验法是英国统计学家Fisher提出的，主要通过比较两组数据的方差 S2，以确定他们的精密度是否有显著性差异。至于两组数据之间是否存在系统误差，则在进行F检验并确定它们的精密度没有显著性差异之后，再进行t 检验。
查F分布临界值表得临界值F α ，如果F < F α 表明两组数据没有显著差异；F ≥ F α 表明两组数据存在显著差异。若能得到F所对应的截尾概率（P值），则P值小于显著水平时差异显著。F分布函数描述见（图 10‑3）,分布曲线见（图 11‑2）。
图 11‑1 F分布基本概念
图 11‑2 F分布曲线
图11-2蓝色部分为面积为F分布累积概率＝1-α；红色部分的概率则为α，横轴为F值。
例：对如下数据，利用EXCEL的F检验工具检验两组数据方差是否有显著差异。
（1）在EXCEL中输入数据。
图 11‑3数据资料
（2）从“数据”选项卡选择“数据分析”，选择“F检验：双样本方差”，单击“确定”d出对话框如下：
图 11‑4 F检验对话框
（3）单击“确定”得到输出结果（图 11‑5）
图 11‑5 F检验结果
由图3可见，F统计量＝1488,F临界值为31789，F005，没有落入否定域，不拒绝原假设。Excel显著性分析结果可以通过查看F值、p值和T统计量判断。F值代表两个变量之间存在的差异是否有统计学意义，其中F值越大，差异就越大。p值是指统计检验的结果，在取005水平显著性的情况下，p值小于005就可以说两个变量存在显著性关系，反之，p值大于005，就不能说明两个变量存在显著性关系。T统计量表示了两个变量之间的绝对关系，T统计量越大，两个变量之间的关系就越大。
excel的f检验双样本方差分析数据用于对两个正态总体方差进行比较。以便分析用了超过一个参数的统计模型，判断该模型中的全部或一部分参数是否适合用来估计母体。
Excel数据分析工具中提供了方差齐性检验的工具：F检验-两样本方差用以验证假设检验的两个总体方差是否相等。它是一种在零假设（null hypothesis, H0）之下，统计值服从F-分布的检验。
由于样本方差是总体方差的最优估计量，所以两样本的样本方差比是两总体方差比的最优估量，任意特定的样本方差比是总体方差比的一个点估计值。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。
扩展资料：
F检验-两样本方差对于数据的正态性非常敏感，因此在检验方差齐性的时候，Levene检验, Bartlett检验或者Brown–Forsythe检验的稳健性都要优于F检验。
F检验还可以用于三组或者多组之间的均值比较，但是如果被检验的数据无法满足均是正态分布的条件时，该数据的稳健型会大打折扣，特别是当显著性水平比较低时。但是，如果数据符合正态分布，而且alpha值至少为005，该检验的稳健型还是相当可靠的。
f-检验双样本方差分析
p(f<=f)
单尾
0424750882
p＞005，说明两者方差无明显差异，
即方差齐性
，
则
选用
分析工具
中
的
t
检验
：
双
样本等方差假设
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）