数据鉴别两种方法

❶ 如何判断两组数据是否有显着性差异

在作结论时，应确实描述方向性（例如显着大于或显着小于）。sig值通常用 P>0.05 表示差异性不显着；0.01<P<0.05 表示差异性显着；P<0.01表示差异性极显着。

显着性差异是统计学（Statistics）上对数据差异性的评价。通常情况下，实验结果达到0.05水平或0.01水平，才可以说数据之间具备了差异显着或是极显着。

当数据之间具有了显着性差异，就说明参与比对的数据不是来自于同一总体（Population），而是来自于具有差异的两个不同总体，这种差异可能因参与比对的数据是来自不同实验对象的。

一些一般能力测验中，大学学历被试组的成绩与小学学历被试组会有显着性差异。也可能来自于实验处理对实验对象造成了根本性状改变，因而前测后测的数据会有显着性差异。

(1)数据鉴别两种方法扩展阅读：

显着性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显着性差异。

或者说，显着性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显着性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。

显着性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显着的方法。

常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。

⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；

⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β

(3)α+β 不一定等于1。

通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显着性检验，概率α称为显着性水平。

最常用的α值为0.01、0.05、0.10等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。

参考资料来源：网络-显着性差异

❷ 如何比较两个实验数据的差异性

从四个方面来回答，
1．设计类型是完全随机设计两组数据比较，不知道数据是否是连续性变量。
2．比较方法：如果数据是连续性数据，且两组数据分别服从正态分布&方差齐（方差齐性检验），则可以采用t检验，如果不服从以上条件可以采用秩和检验。
3．想知道两组数据是否有明显差异?不知道这个明显差异是什么意思?是问差别有无统计学意义（即差别的概率有多大）还是两总体均数差值在哪个范围波动?如果是前者则可以用第2步可以得到P值，如果是后者，则是用均数差值的置信区间来完成的。当然两者的结果在SPSS中均可以得到。
4．对以上结果SPSS的实现是：
（1）t检验，analyse→compare means→independent-samples T Test
（2）秩和检验，analyse→noparametric Test→2 independent samples

❸ 鉴别信息的方法有哪些

(一)通过提供信息的单位背景来辨别
一般来说，拥有强大专业技术力量的单位提供的该专业方面的信息和数据比较可靠。
(二)通过分析信息产生的过程来进行判别
(1)一般地，普查的数据比抽查的数据更全面准确。

(2)长期监测的数据比短期监测的数据准确，监测面大的数据比监测面小的数据代表性大，勘探密度大的数据比勘探密度小的数据准确性大，科学实验和利用仿真模拟计算的数据比一般推理的数据准确。
(三)用不同方法、不同渠道取得的数据进行验证
如卫星图片、航测数据用实测数据进行验证;市场需求容量用行业协会、主要企业、国家统计局的数据进行对比。

(四)对比计算不同时期、不同来源的数据差异，并进行适当修正
同样一个对象的数据，在不同国家、不同历史时期，由于包含的范围不同，计算的标准和口径可能有所不同，造成数据之间有很大的差异。 如要对比分析这些数据，必须弄清统计口径，否则就会出错。

(五)通过专家集体讨论辨别信息的准确性和可靠性
对于不同渠道得到的信息，可能存在因角度不同、口径不一、方法各异等而不一致，甚至相互矛盾。这时，可以采取专家集体讨论，弄清差异和矛盾的原因，并去伪存真，达成共识。

❹ 什么是数据筛选常用的数据筛选的方法有哪两种

你好！
数据筛选就是对现有数据按照条件进行过滤，常用的数据筛选方法有自定义筛选、高级筛选
如果对你有帮助，望采纳。