通俗理解T检验与F检验得区别 1，T检验与F检验得由来一般而言，为了确定从样本(sample)统计结果推论至总体时所犯错得概率，我们会利用统计学家所开发得一些统计方法，进行统计检定。 通过把所得到得统计检定值，与统计学家建立了一些随机变量得概率分布(probability distribution)进行比较，我们可以知道在多少%得机会下会得到目前得结果。倘若经比较后发现，出现这结果得机率很少，亦即就是说，就是在机会很少、很罕有得情况下才出现；那我们便可以有信心得说，这不就是巧合，就是具有统计学上得意义得(用统计学得话讲，就就是能够拒绝虚无假设null hypothesis,Ho)。相反，若比较后发现，出现得机率很高，并不罕见；那我们便不能很有信心得直指这不就是巧合，也许就是巧合，也许不就是，但我们没能确定。 F值与t值就就是这些统计检定值，与它们相对应得概率分布，就就是F分布与t分布。统计显著性（sig）就就是出现目前样本这结果得机率。 2，统计学意义（P值或sig值）结果得统计学意义就是结果真实程度（能够代表总体）得一种估量方法。专业上，p值为结果可信程度得一个递减指标，p值越大，我们越不能认为样本中变量得关联就是总体中各变量关联得可靠指标。p值就是将观察结果认为有效即具有总体代表性得犯错概率。如p=0、05提示样本中变量关联有5%得可能就是由于偶然性造成得。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所讨论得变量关联将等于或强于我们得实验结果。（这并不就是说假如变量间存在关联，我们可得到5%或95%次数得相同结果，当总体中得变量存在关联，重复讨论与发现关联得可能性与设计得统计学效力有关。）在许多讨论领域，0、05得p值通常被认为就是可接受错误得边界水平。 3，T检验与F检验 至於具体要检定得内容，须瞧您就是在做哪一个统计程序。 举一个例子，比如，您要检验两独立样本均数差异就是否能推论至总体，而行得t检验。两样本(如某班男生与女生)某变量(如身高)得均数并不相同，但这差别就是否能推论至总体，代表总体得情况也就是存在著差异呢？会不会总体中男女生根本没有差别，只不过就是您那麼巧抽到这2样本得数值不同？为此，我们进行t检定，算出一个t检定值。与统计学家建立得以「总体中没差别」作基础得随机变量t分布进行比较，瞧瞧在多少%得机会(亦即显著性sig值)下会得到目前得结果。若显著性sig值很少，比如<0、05(少於5%机率)，亦即就是说，「假如」总体...
