獨立樣本T檢驗與平均值檢驗、單樣本T檢驗、配對樣本T檢驗均屬于比較平均值的檢驗方法。不同的是，獨立樣本T檢驗比較的是兩組個案的平均值。該檢驗需要符合隨機分布的假定，也就是說，兩組個案數據間的差異無其他人為的影響因素。

需要注意的是，“獨立樣本T檢驗”檢驗的是兩組個案，而不是兩個變量，因此需要構建個案組數據；另外，其分組變量需用數值標識。這兩點在IBM SPSS Statistics軟件操作中需格外注意。

一、打開數據文件

本例子檢驗的是飲用牛奶A組與飲用牛奶B組的初中生身高平均值是否有顯著性差異。

如圖1所示，示例數據展現的是飲用牛奶A與飲用牛奶B兩個個案組的身高數據，如您使用的數據是兩個變量的變量組數據（即包含飲用牛奶A與飲用牛奶B兩個變量的數據），需通過將變量數據轉換為個案數據后才能進行后續操作。

但另一方面，示例數據中的飲用牛奶類型變量使用的是字符串值，我們需要先將字符串轉換為數值，才能進行獨立樣本T檢驗。

圖1：示例數據

二、為飲用牛奶類型變量重新編碼

如圖2所示，打開IBM SPSS Statistics轉換菜單中的“重新編碼為不同變量”。

圖2：重新編碼為不同變量

然后，如圖3所示，將需要重新編碼的“飲用牛奶類型”變量添加到右側輸出變量方框中，并在名稱輸入框中為其命名為“飲用牛奶類型編碼”。

接著，單擊“舊值和新值”按鈕，匹配舊值與新值。

圖3：設置輸出變量

如圖4所示，在舊值與新值匹配面板中，分別將飲用牛奶A、飲用牛奶B與數值1、2相匹配。

圖4：匹配舊值與新值

完成變量的重新編碼后，返回數據集，如圖5所示，數據中出現了新的變量—飲用牛奶類型編碼。

圖5：完成變量的重新編碼

為了讓重新編碼后的變量值含義更加明確，如圖6所示，我們可以打開變量視圖，編輯變量的值標簽。

圖6：編輯變量的值標簽

如圖7所示，在值標簽設置面板，分別將值1、2標簽為飲用牛奶A、飲用牛奶B。

圖7：設定標簽

如圖8所示，返回變量視圖，可以看到，值標簽已經編輯完成。

圖8：完成標簽設定

三、應用獨立樣本檢驗

完成數據的處理后，就可以打開IBM SPSS Statistics的獨立樣本T檢驗功能（分析-比較平均值-獨立樣本T檢驗），正式開啟數據的檢驗。

圖9：獨立樣本檢驗功能

 上一節，我們重點講解了IBM SPSS Statistics獨立樣本T檢驗的檢驗原理、數據要求以及數據轉換的方法。這部分的內容相當重要，建議先理解了上一節內容再學習本節的實例操作。

如圖1所示，可以看到，獨立樣本T檢驗僅包含了檢驗變量，因此，需要使用個案組數據進行檢驗，而其分組變量是作為標識兩組個案使用的。接下來，我們通過示例數據學習下操作。

圖1：獨立樣本T檢驗

一、選擇變量

首先，了解下設置面板中的變量概念：

1. 檢驗變量，即檢驗均值是否存在顯著性差異的變量數值。

2. 分組變量，即用于標識兩組個案的變量。

本例中，我們需要檢驗的是飲用牛奶A組與飲用牛奶B組的平均身高數據是否有差異。因此，需要將身高變量添加為檢驗變量，將飲用牛奶類型編碼添加為分組變量。

然后，單擊定義組按鈕。

圖2：選擇變量

二、定義組

如圖3所示，在定義組設置面板，需要設置個案組對應的編碼數值，必須是數值型值。上一節中，我們已經將飲用牛奶類型變量重新編碼為值1、2，因此，可以直接將其與組1、2匹配。

圖3：定義組

三、選項設置

接著，打開“選項”按鈕，設置檢驗分析的置信區間，一般情況下，設置為95%能確保較大的準確性。同時，設置“按具體分析排除個案”的缺失值處理方式。

圖4：選項設置

四、分析結果解讀

完成以上設置后，運行分析，如圖5所示，數據中分別包含63個飲用牛奶A與63個飲用牛奶B的身高數據，從其平均值看到，飲用牛奶A組的身高均值高于飲用牛奶B組的身高均值，但其差異是否顯著還要看顯著性數據。

圖5：描述統計數值

如圖6所示，從獨立樣本檢驗圖表的數據看到，顯著性（雙尾）的數值0.711大于0.05（95%置信區間下），不能拒絕原假設，也就是說，飲用牛奶A組的身高均值與飲用牛奶B組的身高均值無顯著性差異。

圖6：結果不顯著

以上就是IBM SPSS Statistics獨立樣本T檢驗的應用介紹。該功能用于比較兩組個案的均值差異，可用于驗證兩個對比個案組的均值數值是否有顯著性差異，比如用于藥物研究領域，驗證兩種藥物有效性是否有差異等。