IBM SPSS Statistics的比較平均值分析法屬于參數型的檢驗法，是以已知總體分布的前提下，檢驗樣本數據與總體數據的差異，其中包含了平均值、單樣本T檢驗、獨立樣本T檢驗、配對樣本T檢驗以及單因素ANOVA檢驗的分析方法。

其中，單樣本T檢驗、獨立樣本T檢驗、配對樣本T檢驗都是運用T分布理論來分析差異發生的概率，從而比較兩個平均數的差異是否顯著的分析方法。那么，這三種T檢驗的分析方法有什么不同呢？

圖1：SPSS比較平均值

一、檢驗的目的不同

單樣本T檢驗、獨立樣本T檢驗、配對樣本T檢驗這三種比較平均值的T檢驗方法，其關鍵的不同點是檢驗數據的目的不同。

相比于其他兩種T檢驗方法，單樣本T檢驗就顯得比較簡單了。其原理是運用樣本數據的平均值與一個常數檢驗值相比較，以檢驗樣本數據與檢驗值是否有差異，常用于檢驗樣本數據是否符合標準值等研究目的，比如抽取樣本身高值是否符合標準值、抽取的樣本中含水量是否符合標準含水量等。

在圖2所示的單樣本T檢驗例子中，抽取了部分初中生的身高樣本數據，以153為檢驗值，檢驗身高樣本平均值與153的檢驗值是否有顯著性差異，結果表明樣本身高均值與檢驗值有顯著性差異。

圖2：單樣本T檢驗結果

相對比于單樣本T檢驗，獨立樣本T檢驗與配對樣本T檢驗的研究目的就比較相似，但也有不同。兩者研究的不同點在于，獨立樣本T檢驗研究的是兩組個案的均值數據差異，而配對樣本T檢驗研究的是兩個配對變量的均值數據差異。

比如，如圖3所示的飲用不同類型牛奶后的獨立樣本T檢驗例子，研究的是兩個個案組分別飲用牛奶A、牛奶B后的身高均值差異，從其顯著性數值可以看到，兩組個案的身高均值無差異。

圖3：獨立樣本T檢驗結果

而配對樣本T檢驗則更加側重于比較兩個配對變量的均值是否有差異。比如，如圖4所示，研究個案在飲用牛奶前與飲用牛奶后的身高數據，結果表明，飲用牛奶后的身高均值顯著高于飲用牛奶前的身高均值。

圖4：配對樣本T檢驗結果

二、使用的數據類型不同

鑒于檢驗目的不同，這三種T檢驗方法使用的數據類型也不同。

如圖5所示，單樣本T檢驗使用的是單變量數據，同時還需要使用一個檢驗值作比較。

圖5：單樣本T檢驗的數據格式

而獨立樣本T檢驗使用的是兩組個案的數據，同時，還需要通過數值型編碼標識個案。

圖6：獨立樣本T檢驗的數據格式

配對樣本T檢驗使用的是兩組變量的數據。一組配對樣本T檢驗中可包含多組配對變量，但各組配對變量需一一對應地配對。

圖7：配對樣本T檢驗的數據格式

三、小結

綜上所示，單樣本T檢驗適合用于研究樣本數據是否符合標準值的情況；獨立樣本T檢驗適合用于研究兩組個案的均值是否有差異的情況；配對樣本T檢驗適合用于檢驗兩組變量均值是否有差異的情況。

大家可根據實際情況選取合適的檢驗方法，需要注意的是，以上三種T檢驗法均屬于參數檢驗法，是在總體分布已知的情況下使用的。