t检验如何进行

Posted 2023-04-30

我要在EXCEL里进行T检验。对两组数据进行检验后，我想得出有显著性差异，我该怎么弄呢?

这个不用spss，只用excel就可以啊。以excel2007为例，先把数据分为两列输入，选择“数据”、“数据分析”，先进行方差齐性检验，选“f检验：双样本方差"，弹出对话框中，“变量1的区域”用鼠标拖动的方法选中a列数据（包括“a”那个单元格），“变量2的区域”选中b列数据（包括b那个单元格），击选“标志”，显著性水平默认为“0.05”，点击“确定”。
结果中，如果p小于0.05，说明方差不齐性，，用“数据分析”中的“t检验：双样本异方差假设”，如果p大于0.05，说明方差齐性，用“数据分析”里的“t检验：双样本等方差假设”，对话框的操作与上面的f检验大体相同。
如果你的excel是2003，在“工具”菜单下可找到“数据分析”命令
如果没有找到“数据分析”命令，需要加载宏，将“分析数据库”加载上就可以了。具体操作可以在网上查一下，很容易的。
祝你成功！
office2007太大了，我这边网速太慢，传的话比较麻烦，建议你从网上直接下载，很容易下载到的。我刚才随便搜了一下，搜到个网址http://hi.baidu.com/zrt765996/blog/item/a6117517567d90dff6039e08.html
你先试试这个，应该没问题。安装了以后一般需要加载宏。excel2007加载宏的办法是：点击excel2007最左上角那个大的圆按钮，弹出菜单，选择下方的“excel选项”，弹出对话框，选择左侧一列的“加载项”，在下方“管理”下拉列表中选择“excel加载项”，点击后面的“转到…”，弹出加载宏对话框，在里面选择“分析工具库”，确定就可以加载了。
关于t检验，分为相关样本t检验和独立样本t检验两种，你说的独立样本t检验适用于分析两组不相关的数据，比如说分析男生与女生身高的差异就用这种方法。相关样本t检验适用于两组存在相关的数据的比较，比如分析40名同学语文和数学成绩的差异。
对于独立样本t检验，首先要看方差是否齐性，也就是看两组数据方差有没有差异。方差齐性与不齐性方法不一样，上面的f检验就是为了看一下两组不相关的数据方差是否齐性。方差齐性表明两组数据方差没有差异，用相应的一种方法；方差不齐性，表明两组数据方差存在显著差异，要用另一种方法，相应的方法我都给你在第一次回答的时候列出来了，这里就不再重复了，这样分析出来就行了。
祝你成功！
三组数据比较的话用单因素方差分析。这个用excel也可以实现。也是在“数据”、“数据分析”下面，操作方式与t检验相同，你可以用一下。
另外，我看楼下的朋友给你说了用spss的做法，也可以用一下。我是觉得用spss的话你可能更不熟悉，所以推荐你用excel。 参考技术A T检验不是在SPSS里面可以方便的使用吗？
建议你安装一个SPSS统计软件试一下，
非常简单的！
假如你实在想用EXCEL的话，方法是：
1.打开EXCEL电子表格
2.在工具栏里面点击“帮助”－－“Microsoft Excel帮助”
3.在帮助窗口中，搜索框中输入“T检验”，这是就会出现“microsoft excel online”，也就是从网上下载帮助文件，即可出现TTEST（也就是你所需要的T检验）
希望这个能对阁下有所帮助

excel里面有T检验！

1）在“工具”菜单上，单击“数据分析”。
如果没有“数据分析”，则请加载“分析工具库”加载宏。
操作方法：
在“工具”菜单上，单击“加载宏”。
在“可用加载宏”列表中，选中“分析工具库”框，再单击“确定”。
如果必要，请按安装程序中的指示进行操作。
2）在“数据分析”对话框中，单击“t－检验”，再单击“确定”。
3）在出现的对话框中，设置所需的参数。本回答被提问者采纳

如何对多个变量和多个模型执行（修改）t 检验

【中文标题】如何对多个变量和多个模型执行（修改）t 检验

【英文标题】：How to perform (modified) t-test for multiple variables and multiple models

【发布时间】：2019-08-25 11:12:14

【问题描述】：

我使用 WEKA 创建并分析了大约 16 个机器学习模型。现在，我有一个 CSV 文件，其中显示了模型的指标（例如 percent_correct、F-measure、recall、precision 等）。我正在尝试对这些模型进行（修改后的）学生 t 检验。我可以进行一项（根据此链接），其中我只比较两个模型共有的一个变量。我想一次使用 MULTIPLE 变量和 MULTIPLE 模型执行一个（或多个）t 检验。

如前所述，我只能在两个模型（比如决策表和神经网络）中使用一个变量（比如 F-measure）进行测试。

这是代码。我正在执行 Kolmogorov-Smirnov 测试（修改后的 t）：

from matplotlib import pyplot
from pandas import read_csv, DataFrame
from scipy.stats import ks_2samp

results = DataFrame()
results['A'] = read_csv('LMT (f-measure).csv', header=None).values[:, 0]
results['B'] = read_csv('LWL (f-measure).csv', header=None).values[:, 0]
print(results.describe())
results.boxplot()
pyplot.show()
results.hist()
pyplot.show()

value, pvalue = ks_2samp(results['A'], results['B'])
alpha = 0.05
print(value, pvalue)
if pvalue > alpha:
    print('Samples are likely drawn from the same distributions (fail to reject H0)')
else:
    print('Samples are likely drawn from different distributions (reject H0)')

有什么想法吗？

【参考方案1】：

这是我的问题的简单解决方案。它只处理两个模型和两个变量，但您可以轻松拥有包含分类器名称和要分析的指标的列表。出于我的目的，我只是分别更改了COI、ROI_1 和ROI_2 的值。

注意：此解决方案也可推广。 如何？只需更改COI、ROI_1 和ROI_2 的值并在df = pandas.read_csv("FILENAME.csv, ...) 中加载任何选定的数据集。如果您想要另一个可视化，只需更改接近末尾的pyplot 设置。

关键是将新的DataFrame 分配给原来的DataFrame 并实现.loc["SOMESTRING"] 方法。它会删除数据中的所有行，但指定为参数的行除外。

但是，请记住，在阅读文件时包含index_col=0 或使用其他方法设置DataFrame 的索引。如果不这样做，您的row 值将只是来自0 to MAX_INDEX 的索引。

# Written: April 4, 2019

import pandas                       # for visualizations
from matplotlib import pyplot       # for visualizations
from scipy.stats import ks_2samp    # for 2-sample Kolmogorov-Smirnov test
import os                           # for deleting CSV files

# Functions which isolates DataFrame
def removeColumns(DataFrame, typeArray, stringOfInterest):
    for i in range(0, len(typeArray)):
        if typeArray[i].find(stringOfInterest) != -1:
            continue
        else:
            DataFrame.drop(typeArray[i], axis = 1, inplace = True)

# Get the whole DataFrame
df = pandas.read_csv("ExperimentResultsCondensed.csv", index_col=0)
dfCopy = df

# Specified metrics and models for comparison
COI = "Area_under_PRC"
ROI_1 = "weka.classifiers.meta.AdaBoostM1[DecisionTable]"
ROI_2 = "weka.classifiers.meta.AdaBoostM1[DecisionStump]"

# Lists of header and row in dataFrame
#  `rows` may act strangely
headers = list(df.dtypes.index)
rows = list(df.index)

# remove irrelevant rows
df1 = dfCopy.loc[ROI_1]
df2 = dfCopy.loc[ROI_2]

# remove irrelevant columns
removeColumns(df1, headers, COI)
removeColumns(df2, headers, COI)

# Make CSV files
df1.to_csv(str(ROI_1 + "-" + COI + ".csv"), index=False)
df2.to_csv(str(ROI_2 + "-" + COI) + ".csv", index=False)

results = pandas.DataFrame()
# Read CSV files
# The CSV files can be of any netric/measure, F-measure is used as an example
results[ROI_1] = pandas.read_csv(str(ROI_1 + "-" + COI + ".csv"), header=None).values[:, 0]
results[ROI_2] = pandas.read_csv(str(ROI_2 + "-" + COI + ".csv"), header=None).values[:, 0]

# Kolmogorov-Smirnov test since we have Non-Gaussian, independent, distinctive variance datasets
# Test configurations
value, pvalue = ks_2samp(results[ROI_1], results[ROI_2])
# Corresponding confidence level: 95%
alpha = 0.05

# Output the results
print('\n')
print('\033[1m' + '>>>TEST STATISTIC: ')
print(value)
print(">>>P-VALUE: ")
print(pvalue)
if pvalue > alpha:
    print('\t>>Samples are likely drawn from the same distributions (fail to reject H0 - NOT SIGNIFICANT)')
else:
    print('\t>>Samples are likely drawn from different distributions (reject H0 - SIGNIFICANT)')

# Plot files
df1.plot.density()
pyplot.xlabel(str(COI + " Values"))
pyplot.ylabel(str("Density"))
pyplot.title(str(COI + " Density Distribution of " + ROI_1))
pyplot.show()

df2.plot.density()
pyplot.xlabel(str(COI + " Values"))
pyplot.ylabel(str("Density"))
pyplot.title(str(COI + " Density Distribution of " + ROI_2))
pyplot.show()

# Delete Files
os.remove(str(ROI_1 + "-" + COI + ".csv"))
os.remove(str(ROI_2 + "-" + COI + ".csv"))