假設檢驗的標準步驟：
1、建立假設：根據問題的需要提出原假設h0，以及其對立面備擇假設h1。
2、確立檢驗水準：即設立小概率事件的界值α。
3、進行試驗：得到用於統計分析的樣本，以該試驗的結果作為假設檢驗的根據。
4、選定檢驗方法，計算檢驗統計量。
5、確定p值。
原假設也稱為零假設，備擇假設也稱為對立假設。對立假設就是對立於原假設，備擇假設的意思是，一旦你決定不採納原假設，則這假設可備你選擇。
根據統計學觀點，接受原假設和否定原假設，二者的意義並非對等。接受原假設只是意味著，按所獲資料來看，並無足夠的根據認為原假設不對，而不是說，從所獲資料證明了原假設是對的，因此，問題多少仍處於未決的局面。反之，否定原假設則意味著，按所獲資料有充足理由（而非絕對地證明，因為資料有隨機性）認為原假設不對，即有充足理由認為對立假設成立。故在一定限度內，可以說問題由了乙個明確的結論。
假設檢驗的基本思想是統計學的「小概率反證法」原理：對於乙個小概率事件而言，其對立面發生的可能性顯然要大大高於這一小概率事件，可以認為小概率事件在一次試驗中不應當發生。
假設檢驗除了分為單/雙側檢驗外，還可以分為引數檢驗和非引數檢驗。引數檢驗是已知資料的分布形式，只是不了解相應引數時的檢驗形式。如果資料的分布形式不了解，就必須使用非引數檢驗確定資料的分布形式。下面將介紹幾種常用分布的假設檢驗。
一、正態分佈的檢驗
正太分布的考察方法有：通過計算偏度係數和峰度係數加以考察；通過繪製直方圖、pp圖等圖形工具來考察；也可以進行各種假設檢驗。最常用的就是k-s單樣本檢驗。
k-s檢驗通過對兩個分布之間的差異的分析，判斷樣本的觀察結果是否來自制定分布的總體。計算p值的公式比較複雜，可不必深究。
文彤老師的書中對消費者信心指數進行了k-s檢驗，大致步驟是「分析」——「非引數檢驗」——「單樣本」……，當然首先要選擇個案：資料——選擇個案——如果條件滿足time=200704。然後再進行k-s檢驗，我的spss可能由於版本問題，執行時出現「停止執行該命令」。但是使用舊對話方塊是可以的，分析——非引數檢驗——舊對話方塊——1樣本k-s。
文彤老師對檢驗結果的批註很值得一讀：既然此處拒絕了正態分佈假設，那麼分析時還可以使用如t檢驗等對變數分布有要求的方法嗎？事實上，k-s檢驗從實用性角度來說遠不如圖形工具，因為在樣本量少的時候它不夠敏感，而樣本量大時又總是過於敏感。本例就屬於敏感過頭的情況，實際上讀者們只需要繪製p-p圖就可以發現，該資料實際上是基本符合正態分佈趨勢的，進行後續資料分析時遵循正態分佈的分析思路應當不會有任何問題。
二、二項分布檢驗
二項分布檢驗是對二分類變數的擬合優度檢驗，用於考察每個類別中觀察值的頻數與特定分布下的預期頻數間是否存在統計學差異。例子詳見參考資料1。
三、遊程檢驗
遊程檢驗是對二分變數的隨機檢驗，判斷觀察值的順序是否為隨機的。
SPSS 分布型別的檢驗
假設檢驗的標準步驟 1 建立假設 根據問題的需要提出原假設h0，以及其對立面備擇假設h1。2 確立檢驗水準 即設立小概率事件的界值 3 進行試驗 得到用於統計分析的樣本，以該試驗的結果作為假設檢驗的根據。4 選定檢驗方法，計算檢驗統計量。5 確定p值。原假設也稱為零假設，備擇假設也稱為對立假設。對立...
spss常態檢驗 利用SPSS檢驗資料是否符合正態
正態分佈也叫常態分布，在我們後面說的很多東西都需要資料呈正態分佈。下面的圖就是正態分佈曲線，中間隆起，對稱向兩邊下降。下面我們來看一組資料，並檢驗 期初平均分 資料是否呈正態分佈 此資料已在spss裡輸入好 在spss裡執行 分析 描述統計 頻數統計表 選單見下圖，英文版的可以找到相應位置 然後彈出...
SPSS中，進行配對樣本T檢驗
特點 在配對樣本t檢驗中，強調被試一定要同質 同一樣本，不同變數環境 其目的就為了消除目的是額外變數的影響，更能反映自變數和因變數之間的關係。配對樣本t檢驗的過程，是對兩個同質的樣本分別接受兩種不同的處理或乙個樣本先後接受不同的處理，來判斷不同的處理是否有差別。這種檢驗的目的在於根據樣本資料對樣本來...