独立样本T检验与平均值检验、单样本T检验、配对样本T检验均属于比较平均值的检验方法。不同的是，独立样本T检验比较的是两组个案的平均值。该检验需要符合随机分布的假定，也就是说，两组个案数据间的差异无其他人为的影响因素。

需要注意的是，“独立样本T检验”检验的是两组个案，而不是两个变量，因此需要构建个案组数据；另外，其分组变量需用数值标识。这两点在IBM SPSS Statistics软件操作中需格外注意。

一、打开数据文件

本例子检验的是饮用牛奶A组与饮用牛奶B组的初中生身高平均值是否有显著性差异。

如图1所示，示例数据展现的是饮用牛奶A与饮用牛奶B两个个案组的身高数据，如您使用的数据是两个变量的变量组数据（即包含饮用牛奶A与饮用牛奶B两个变量的数据），需通过将变量数据转换为个案数据后才能进行后续操作。

但另一方面，示例数据中的饮用牛奶类型变量使用的是字符串值，我们需要先将字符串转换为数值，才能进行独立样本T检验。

图1：示例数据

二、为饮用牛奶类型变量重新编码

如图2所示，打开IBM SPSS Statistics转换菜单中的“重新编码为不同变量”。

图2：重新编码为不同变量

然后，如图3所示，将需要重新编码的“饮用牛奶类型”变量添加到右侧输出变量方框中，并在名称输入框中为其命名为“饮用牛奶类型编码”。

接着，单击“旧值和新值”按钮，匹配旧值与新值。

图3：设置输出变量

如图4所示，在旧值与新值匹配面板中，分别将饮用牛奶A、饮用牛奶B与数值1、2相匹配。

图4：匹配旧值与新值

完成变量的重新编码后，返回数据集，如图5所示，数据中出现了新的变量—饮用牛奶类型编码。

图5：完成变量的重新编码

为了让重新编码后的变量值含义更加明确，如图6所示，我们可以打开变量视图，编辑变量的值标签。

图6：编辑变量的值标签

如图7所示，在值标签设置面板，分别将值1、2标签为饮用牛奶A、饮用牛奶B。

图7：设定标签

如图8所示，返回变量视图，可以看到，值标签已经编辑完成。

图8：完成标签设定

三、应用独立样本检验

完成数据的处理后，就可以打开IBM SPSS Statistics的独立样本T检验功能（分析-比较平均值-独立样本T检验），正式开启数据的检验。

图9：独立样本检验功能

 上一节，我们重点讲解了IBM SPSS Statistics独立样本T检验的检验原理、数据要求以及数据转换的方法。这部分的内容相当重要，建议先理解了上一节内容再学习本节的实例操作。

如图1所示，可以看到，独立样本T检验仅包含了检验变量，因此，需要使用个案组数据进行检验，而其分组变量是作为标识两组个案使用的。接下来，我们通过示例数据学习下操作。

图1：独立样本T检验

一、选择变量

首先，了解下设置面板中的变量概念：

1. 检验变量，即检验均值是否存在显著性差异的变量数值。

2. 分组变量，即用于标识两组个案的变量。

本例中，我们需要检验的是饮用牛奶A组与饮用牛奶B组的平均身高数据是否有差异。因此，需要将身高变量添加为检验变量，将饮用牛奶类型编码添加为分组变量。

然后，单击定义组按钮。

图2：选择变量

二、定义组

如图3所示，在定义组设置面板，需要设置个案组对应的编码数值，必须是数值型值。上一节中，我们已经将饮用牛奶类型变量重新编码为值1、2，因此，可以直接将其与组1、2匹配。

图3：定义组

三、选项设置

接着，打开“选项”按钮，设置检验分析的置信区间，一般情况下，设置为95%能确保较大的准确性。同时，设置“按具体分析排除个案”的缺失值处理方式。

图4：选项设置

四、分析结果解读

完成以上设置后，运行分析，如图5所示，数据中分别包含63个饮用牛奶A与63个饮用牛奶B的身高数据，从其平均值看到，饮用牛奶A组的身高均值高于饮用牛奶B组的身高均值，但其差异是否显著还要看显著性数据。

图5：描述统计数值

如图6所示，从独立样本检验图表的数据看到，显著性（双尾）的数值0.711大于0.05（95%置信区间下），不能拒绝原假设，也就是说，饮用牛奶A组的身高均值与饮用牛奶B组的身高均值无显著性差异。

图6：结果不显著

以上就是IBM SPSS Statistics独立样本T检验的应用介绍。该功能用于比较两组个案的均值差异，可用于验证两个对比个案组的均值数值是否有显著性差异，比如用于药物研究领域，验证两种药物有效性是否有差异等。