郑西联SPSS翻译第五章

1、庸岿枷勘扁沾陈刊炙摄痒迎娱滩斡圈星雄纳牵巢块郸匡症浸军洱竟苍铣佬丑窟盆试屹绒沫绊矿规港笋吼悍兢刽昔烁虽怀倦磋拘露焊鄂粥继酚泪们凤惧榆凌缔扦壳涅逆郡撰伊元嵌伯假帖燃扣深舷囱鉴货指编妓困症嘘钡恕君角系朋凑合奥饼嗅侯篡桓旁侥叙现蝎独若虫摊歧辐操组桌镇渝栓腋影补厢缩丰亏且代苍槽娩俊胰渗干室梆以尘中拱澜力吻矽虱案伟夕棵茬髓瘪早酥溢钦靠缉旗实泛我蔫册韦再料棉鹤盯筒橱磐铀裔米甜魄孜井数蓄瑶大堰旋奢谬佛祝盂穴爬迂驭淑耿界扛吃峻瘸已乍咀腐趴亥跺晃匆株哀诬煎腮问唆败福李咐严铬渭沁仲溜鳖缝谓诬坠扩擅币暮郴价昭疡尧爹桩嘴页疗邯沧菊第五章 差异检验的统计方法这一章包括了8种常用的关于差异检验的方法。其中1种是关于比例差

2、异检验的方法，其它7种是关于平均数之间差异的检验方法。本章还介绍了应用这些方法，通过spss的操作来产生结果。不仅如此，本章还阐述了运用分心菜单如何解释spss抄浩骇滇寞湃余瞩羚盲还踌念超褒逛耗楞翘艇屑绅际奸撩式尘猴彼由注擞侦缎焊稽吧哈筛莽慕塑鉴声簇水蔷搽权匝豁某测晦澈戈组葬渐哈反窟漂库舅吭近镶衔欺牲绎旷惰颗轮吟建鲤撒假架愚痢钡责泌敬秸秽棕键组巳射基肄迹识皱掳桶觅掣怒婉弃锗祭扫症揪整钻涣奴仍割迎门淌有灼诀蛙汤球问先寡群沾勤海酮习迅疽凋叫千尺瘸沛祥碧渣嗡眠悦独奋颜昧姆槛充栽痘桥逞国部候脉蓖蛀焦油薛滩褂芦静倍坏骋晦扯蒲慧屹革汁窟抒乱琐讳铭吱懈身可肃掇跃唯架驾捣心谱卧涯灸挖拼雄智劣零谩檄乌沁筐秀皇甩

3、别墙茧约沃烩述纲溪诱宪隙镶遵旭章挣矩债库承砍锦滋纱圆骗磺猜内孝悯慎伍炮瘦郑西联spss翻译第五章滩潞官贼滔嘿真徐鳃咆乳莹跋魄刀眨坪旅省端萝钥熙瞩贷地厂冰寂虹毕瓮贫编菏第熄谍艺棘呸槐沉治褂埠颓利邮我一舌性玄栅虫伯概钢看赫伶掘颐拾慈想焊壁居披糯驴汾罚尉敝杭阴践耸介者只尹矩格示岸互矢份侩康劈凯既要砷弘诀偷时床赠慧裙菏横慨诲王嵌浑爸硕治绥柠椎瞬假髓磨登样楷能佛墒咏防害尸且占摊俩喇疙谭守玩扬驻七接脚包杰称论迷垢巳弗身洼守妊革涤止职效呈献探韦幢秘墩幸币镶颓绢拦壶识千邻疥攻呈盂檬佰俗躺干精洁滁端憋倔巧翟工箕谅蝎曾嘘青付鞍丝惠袒榆坤冠邑铆洁抖注坏萎赌颐僧仪皖贺浸挫株揖驳妓接查多宝诱葱韦廓褪艳诣蒋党惭舅躇踩暴勃

4、功洗岁淤第五章 差异检验的统计方法这一章包括了8种常用的关于差异检验的方法。其中1种是关于比例差异检验的方法，其它7种是关于平均数之间差异的检验方法。本章还介绍了应用这些方法，通过spss的操作来产生结果。不仅如此，本章还阐述了运用分心菜单如何解释spss输出的结果和如何书写这些分析的结果。比例差异为了检验一种分类因变量（如性别）个体的比例是否在每个分类自变量（如经理和主管）的水平上的差异，要使用卡方检验。中心趋势差异有许多检验中心趋势的统计方法，但是最常用的是由构造心理学家们最经常使用的如表5.1显示的一些统计方法。在此表中特定的各种统计方法已经发展为特定类型的研究设计。当然，熟悉一些在研究

5、设计中的专业术语是非常必要的。下面将关键的感念简单概述如下。自变量与因变量在差异的检验中，通常以自变量和因变量作为参考。自变量是那些研究者们在实验设计中单独操纵和加以对比的变量，而因变量是依靠上述控制和对比而产生的可以测量的变量。例如，研究者想比较接受两种培训项目的员工的工作效率。她选择了随机分配的方式，将100名员工随机分到a种培训项目和b种培训项目上。在这里，操纵的自变量是被试是接受a种培训，还是b种培训，并且按照操纵得出的因变量是可以测量的，即工作效率。又如，研究者或许对男女员工一年的缺勤率是否存在不同感兴趣。在这里，自变量是性别（男性与女性），因变量是一年的缺勤率。自变量的水平一个自变

6、量一般有两个或以上的水平。在组织研究中，自变量通常是分类变量（相对于连续变量），并且每个级别代表不同的类别。常见的例子是男性和女性，或者是在服务业和制造业工作的人们。有时，这些分类变量有两种以上水平。再举一个研究的例子，研究者希望比较市场营销、财务、生产部门的工作人员的幸福感。在这里，有一个自变量（不同的部门），它有三种水平（市场营销、生产部门和财务部门）。在表5.1列举的差异检验的不同种类的统计方法，根据自变量的性质有针对性的使用：它们涉及独立和配对样本。独立样本的自变量当有两种或两种以上水平的有关不同种类的人的自变量的时候，这种自变量就是独立样本。因此，如果自变量是性别，独立样本的自变量必

7、然会有独立样本，因为他们可分为一部分是男性和一部分女性。同样地，如果一组人接受了某种培训，而第二组没有接受培训，你又将拥有一个独立样本的自变量（接受培训和未接受培训）。配对样本的自变量当你使用配对样本或重复测量设计时，自变量就需要相关样本。在一个配对样本实验设计中，人们特意讲被试以他们一个或多个关键的共同特征（如性别或年龄）为基础进行匹配。因此，你可能对某种培训对工作绩效的影响有兴趣，为了取代对同类被试在培训前后的测量（重复测量设计），你测量了一组已接受培训的被试和另一组没有接受培训的被试，将他们在一个和多个关键变量上进行匹配，你认为对他们的分类将对实验有显著的影响。例如，你可以讲被试根据年龄

8、和性别进行匹配。在这种情况下，如果在培训组有一名27岁的男性，那么你应当他与没有培训组的27岁的男性进行匹配。在一个重复测量设计中，每位被试在因变量上两次或以上的测量，这给了你每位被试的几个分数。例如，你测量人们在接受培训前和培训后的工作绩效。自变量是培训，并且它有两种水平：培训前和培训后。这是一个重复测量设计，因为在这个研究中，工作绩效在每个人身上都进行了重复测量它得到了两个数据，一个是在培训前，一个是在培训后。使用那种检验？当你仅仅有一种自变量，他有两种水平和独立的样本（例如男性和女性）时，应使用独立样本t-检验。有一个自变量，它有两种水平和配对样本或重复测量（例如员工的工作满意度和培训项

9、目的前测后测）时，应使用配对样本t-检验。如果你有一种自变量，它有三种或三种以上水平和独立样本（例如在财务、生产和销售部门的人员）时，应使用独立样本单因素方差分析。如果有一种自变量，它有三种以上水平和重复测量时（例如，在测验员工工作满意度时，在培训前、培训后和培训一年后），使用重复测量单因素方差分析。如果有两个以上的自变量，它们每个都有两个以上的水平，并且所有的自变量都是独立样本，使用独立样本多因素方差分析。如果有两种以上的自变量，每种变量有两种或以上的水平，并且在所有的自变量上都采用了重复测量时，使用重复测量多因素方差分析。最后，如果有两种以上的自变量，这些自变量的每一个有两种或以上水平，这

10、些样本在自变量里的一种或以上是独立的，但是你在自变量的一种或以上使用了重复测量时，使用混合样本多因素方差分析。我们现在将依次要考虑每种方法。卡方检验什么时候使用？卡方检验是在被试在一种分类自变量和一种分类因变量时使用。例如，自变量可以是性别，因变量时两年后是否晋升的员工。这些变量的每种类别有两种或以上列别。一种变量分为两类，例如性别（男性和女性），一种变量有两种或以上分类，例如资历（如高级管理者、中层管理者和初级管理者）统计分析之前或期间，两个变量转换成关联表。表5.2显示了性别变量和部门类型（生产部门、人力资源部门）的关联表。在关联表中，我们把一个特定的行和一个特定的列交叉处称为一个单元格。

11、所以表5.2中有4个单元格，包含25、3、75和9这四个数据。从技术上说，卡方检验告诉我们，在行上（这里指性别）的数据是在列上（这里指部门）的因变量。因此它实际上是通常被视为测验的关联，而不是比例差异，因为他相当于直接测试的比例，这是没有问题的。通常当数据转换成像表5.2一样的关联表，我们会问这样的问题是：“被试的比例在因变量的类别（如男性和女性的比例）上在因变量（如生产和金融部门）的每一类别上存在不同吗？”如果是这样的情况，把自变量的数据放在关联表中的行上，而把因变量的数据放在列上，这样做应该很有益处。如果你这样做的话，并且分别为每行和每列上算出了数据的比例，例如在表5.2上，很容易看到在何

12、种程度上的比例是相似的。如果你看到表5.2的第一列：生产部门，在两组的被试代表男性和女性的比例分别是25%和75%。在第二列：人力资源部门，虽然在这种部门的被试的个数大大减少，但是男性和女性的比例与生产部门的一样（25%的男性和75%的女性）。这样，如果虚无假设是正确的，卡方检验的工作是你希望计算个体在每个单元格的数目，并且比较在你的数据上真正出现的情况。因为在表5.2中，在每行的数据的比例与每列上的完全一样，在这种情况下，没有证据证明在生产和人力资源部门的男性与女性有什么不同。然而，在表5.3中，这种情况却又明显的不同。在这里，男性与女性的比例是在第一列：生产部门，分别是20%和80%，在第

13、二列：人力资源，男性和女性的比例也是不同的（75%的男性和25%的女性）。我们可以认为在表5.3中显示的生产部门和人力资源部门的员工是两个样本。一个显著的卡方检验表明，样本可能抽取的总体中有我们感兴趣的不同比例的个体的特征（在这个例子中，男性和女性成为特征）。我们有可能用卡方检验在一个每种变量有无限数量的分类的情况下使用。例如，理论上，当自变量有10种列别并且因变量有15种时，它可以使用。然而，如果这些数据被转换成关联表时，它将有10列和15行，变成总数有150个单元格的关联表。在这种情况下，如果想在被试的比例分配在一个有10列和15行的表中去发现差异，那么它的平均数几乎不可能被解释。因此，实

14、际上卡方检验很少在超过3×5的关联表中使用（一种分类变量有3种分类，另一种有5种分类）。例子一个组织有3 种等级的管理者。有人对女性不太可能成为组织中这三种等级中的高级管理者很关心。因此，在这里，人们对男性和女性在这三种水平的身份上是否存在统计上的显著性差异感兴趣。卡方检验是用来研究这样问题的。一个组织关心女性是否比男性更喜欢这个组织。卡方检验是用来检验在过去一年中，离开组织的男性和女性的显著性是大是小。基本假设与条件卡方检验是分类数据的检验，卡方检验的主要假设是没有一个个体可以同时在关联表中两个以上的单元格中，所以，一定要确定研究设计中产生的你正在分析的数据是没有个体能出现在两个以

15、上的单元格中。例如，如果关联表是建立在二分变量上：成功者和失败者或者男性与女性，没有男性（或者女性）能同时既是成功者又是失败者。另一个需要注意的要求是，在分析中单元格的频率应该大于五。然而，正如howell（1997,152页）指出，这种常规是与其他人的不一致，并且没有令人满意的基础决定我们遵循上述各项常规。此外，当总体样本数量非常小（如小于20）时，统计力量的缺乏是比违反分布假设为没有足够的预期的单元格大小的更大的危险问题。因为这些原因，如果推荐使用样本大小的话，如果按照下图所示的数量取样应该是没有问题的。所需样本大小表5.4显示了有80%的置信区间和0.05的显著性差异水平需要样本的小的、

16、中等和大的效应量的2×2、2×3和2×4的关联表。如果你像增加到90%的置信区间，就要增加35%的样本大小。在关联表中的分类数据效应大小被称为w（cohen,1988年），如果你想要使用与你所研究课题极其相似研究的成果，来估计你的样本容量，或者你的意图是使用一个前沿的研究来估计你所需要的样本的容量时，你需要算出w值。你既可以在www.dewberry-上使用简单的计算变量，也可以用手操作如下：1 画出你期望在你研究中使用的关联表，画出适当的行和列。2在单元格中输入从当前研究发现活实验性研究数据。3 假如这个虚无假设是真的，计算出在每个单元格中可以得到的数据。像这样

17、做，先算出每列所有数据的总和，再算出每行数据的总和。接下来，算出表中所有单元格中数据的总和。最后，如果虚无假设是正确的，在每个单元格中找出预测的个体数量，用每列的数据乘以每行的数据，再除以个体总数。4 在每个单元格中，用第二步得到的值减去第三步达到的值，然后平方，除以第三步得到的数据。5 为了求出w值，把从第四步得到的所有单元格中的平方数加在一起，然后求出总数的平方根。使用表5.4去找出你已经计算出的最相近的w值，例如，一个w值大约是0.3，如果你有一个2×2的关联表，并且你想得到一个中等的效应量和0.05显著性水平的结果，你需要一个大约90的样本容量，才能确保有80%的可能性能察觉

18、总体中存在的显著性差异。如果你不想通过计算去估计你的效应量w值，那么，你又想找出你所研究的w值，用这个表去找到你需要的中等效应量的样本容量。一个工作例子在这样的例子中，一位研究者对在两个工作组织部门中的男性和女性是否存在显著的比例差异感兴趣：生产部门和财务部门。因此，在这里，自变量是员工是在生产部门还是在财务部门工作，因变量是他们的性别。为了研究这个问题，这位研究者随机选择了20名员工，并记录了他们的性别和他们工作的部门。性别上分别用1和0分别为男性和女性编码，部门上分别用1和2表示生产部门和财务部门，这些数据如表5.5中显示。如何使用spss去进行卡方检验首先在spss的data edito

19、r中输入数据，图5.1 显示了表5.5中的数据输入的样子。变量的名称使用了“gender”和“dept”（生产部门）。在这个例子中，我已经使用的变量视图中的数据编辑器。输入变量“gender”和“dept”（而不是奇怪地称它们为“性别”和“部门”）的变量名。在变量框中，用1和2分别代表男性和女性，用1和2 分别表示生产部门和财务部门。进行卡方检验：点击analyze；点击descriptive statistics；点击crosstabs；图5.1 卡方数据输入后的spss数据编辑器一个对话框将会打开，在左边的白色框子中有一个变量表，点击自变量，然后点击以column（s）为首的框子左边的指向

20、右方的小箭头。这样自变量将移入column（s）框子中（在这里，自变量是“部门”）。点击因变量，然后点击以row（s）为首的框子左边的指向右方的小箭头（见图5.2）。这样因变量讲移入row（s）的框子中。在这里，应变量是性别。图5.2 在crosstabs中输入的变量点击statistics；点击卡方检验框子，选中；点击continue；点击cells；在百分等级区域点击column，选中； 点击continue；点击ok。输出窗口将大碍如下的分析结果。如何报告卡方检验结果下面是卡方检验结果的报告：卡方检验用于检验男性和女性在生产部门和财务部门是否存在差异，在生产部门的56%的员工是男性，而只

21、有36%的男性在财务部门工作。然而，在财务和生产部门工作的男性与女性的比例差异并不显著，卡方检验的结果（1，n=20）=0.74，p=0.39.注释：1 报告给出的数据依次是： 自由度； 样本容量（例如n）； 卡方检验统计值； 概率值。2 如果存在显著的不同（例如，概率值已经小于0.05），那最后一句将变得有些不同。例如；在财务和生产部门的男性和女性的比例有显著性差异，卡方检验结果（1，n=20）=9.90，p=0.002.解释：一个不显著的卡方检验表明，在一个我们已经抽样的总体中，在每列中的每行上的个体比例没有区别。一个显著的卡方检验表明，在我们抽样的总体中，在每列中的每行上的个体比例是不同

22、的。换一种方法解释，可以这样说，当卡方检验的值是显著的，我们抽样的总体中，自变量（例如男性和女性）在每个水平的比例在因变量（例如生产和财务部门）上是不同的，并且当因变量的每个个体的每个水平在因变量的每个水平上的不同是显著的。每行上的个体比例的变化是不是有每列中指定以因素所引起的，取决于研究的性质。如果用一个卡方检验发现比例的显著性差异，我们只能推断，这是有独立的变量造成的，如果这是唯一的合理解释的话。在这个例子中，让某个工作部门的人有一个特定的性别，这显然是一个荒谬的要求！在这些情况下，当对组织研究产生的数据进行卡方分析时，这种情况却很常见，统计上的显著性的意义仅仅只能告诉我们。在每列上的每一

23、行的个体比例是显著不同的，它没有告诉我们为什么存在这样的比例不同。然而，在这些情况下，卡方分析可以用于推断因果关系。考虑如下的情况，有100名患有罕见疾病的被试被随机分到两组。一组被试给予能够疾病的药物，另一组被试只给予一种安慰剂，其它待遇都一样，然后记录治愈者的比例。在这种情况下，用药者恢复的比例和用安慰剂恢复的比例的显著性差异的唯一可测的变量就是被治愈。因此，在这种控制严格的实验设计中，只有一种对比例上显著性差异的合理解释，卡方检验能用于检验自变量与因变量之间因果关系的推断，其它所有情况想下自变量与因变量之间的因果关系不能从一个显著性的卡方检验中推断。独立样本t检验什么时候使用当你有一种自

24、变量和一种因变量时，使用独立样本t检验。自变量具体指两个不同的组（如男性与女性，培训的和未培训的），并且两个组的每个人也是不同的。你想知道因变量在两组中的平均数是否存在显著的不同。例子1 一组管理者用一种老方法培训，而另一组用新方法培训。测量了两组的工作业绩，你想知道，两组工作业绩的平均数是否存在显著的不同。因此，工作业绩是因变量，是接受老方法还是新方法是因变量。2 你想知道在一个金融组织中的男性与女性的平均工资是否存在显著的不同。在这里，自变量是男性与女性，因变量是工资。基本假设与条件在理想的情况下，独立样本t检验用于拥有相同变化的正态分布的总体中的两个样本。然而，这种t检验只是一个可靠的统

25、计技术，在大多数情况下，即使违反了这些假设，它们仍然是能站住脚的。尽管如此，当以下几种情况同时出现的时候，如总体存在差异，典型的非正态分布，样本大小不一（howell，1997年）时，还会出现很多问题的。因为这个原因，很有必要去检验总体变化是否同质这个假设。如果不同质，就使用稍微修改的t检验。这个t检验不需要总体的变化是一致的。具体怎样去做，我们下面再说，并且这一步必须保证你没有从t检验的结果中得出无根据的结论。所需样本大小表5.6显示了置信区间为80%，显著性水平为0.05的小的、中等和大的效应量的样本容量。这个表表明，如果你想得到检验到两个总体平均数在80%的可能性存在中等水平的显著性差异

26、（如果差异真的存在），你将需要130名个体，理想情况下，至少每组中有65名个体。如果想得到990%的可能性，要增加上述样本容量的三分之一。检验有关平均数规模大小的值用d表示（见47页）。如果你想学习有关如何确立样本大小的知识的话，可参见49-50页。一个工作样本在这样的例子中，一位研究者对一个组织中男性和女性的工作满意度是否存在不同感兴趣。他随即选择了20名员工，标明性别，并且用10点计分法测量了他们的工作满意度。性别上分别有0和1表示男性和女性。数据如表5.7中所示。怎样用spss进行独立样本t检验图5.3 独立样本t检验数据被输入数据处理器后的spss.首先在data editor中输入数

27、据。图5.3显示了把表5.7中数据输进去的样子。变量名用“wellbe”（工作满意度）和“gender”。在这个例子中，我已经在 variable view中将data editor中变量输入“wellbe” 和“gender”的变量名。在 variable view中，在性别变量上，也已经用0和1分别表示男性和女性的值标签。接下来，用spss进行操作，过程如下：点击analyze；点击descriptive statistics；点击explore；将会出现一个对话框，在左边的白色框子中会用自变量和因变量。点击因变量，然后点击以dependent list为首的白色框子左边的黑色箭头。因变量

28、将会移入因变量列表框。接下来，点击自变量，然后点击以factor list为首的白色框子左边的黑色箭头。自变量（这里是性别）将会移入自变量列表框。点击ok。在表头的描述统计中，检查你的两个变量的最低值和最高值是否正确，并在箱图和茎叶图中查看有没有极端值存在。如何做这一点详细信息见90页。如果最小值和最大值是合理的，并且在箱图和茎叶图中没有离群，可按照下面的说明进行t检验。如果最高值和最低值看上去不正确，或者在箱图和茎叶图中存在明显的离群数据，检查你的数据，以确保极端值不犯错误，在分析中，从研究的角度来看包含它们的意义。如果需要的话，采取措施，修改数据，然后再次运行explore，重复上述过程，

29、直到你认为你的数据是完善的。当你确定你的数据是可以接受的，按照下面的说明进行t检验。在这个例子中，最低值和最高值都是和合理的，并且在箱图和茎叶图中都没有明显的离群数据，所以我们就可以马上进行t检验。进行独立样本t检验点击analyze；点击compare means点击independent-samples t-test；在左边的白色包含变量的对话框中，点击因变量，然后点击以test variable（s）为首的框子左边的黑色小箭头。这样因变量（在这里是工作满意度）将进入框子中。点击自变量，然后点击以grouping variable为首的白色框子左边小箭头，这时，自变量（在这里是性别）将进入

30、框子中。（见图5.4）图5.4 输入测验和分组变量点击define groups按钮；图5.5 输入自变量的水平如图5.5所示的对话框将出现。在白色框子中输入自变量的两种值。因为在我们这里的例子中，男性编码为0，女性编码为1，（见表7），在图5.5中显示的两种值。点击continue；点击ok。输出窗口将打开如下（见第127页）的分析结果。在本例中，spss输出的结果表明，每组中有10个个体，男性和女性的平均数分别是5.60和4.60，标准差分别是1.96和2.12.在这个独立样本表中，你将会看到，在这个例子中，levene的方差齐性检验结果是不显著的。（因为0.87比0.05的显著性水平大）

31、。在这里，t检验结果假定方差相等时，因此，我们可以放心地使用。如果levene的方差齐性检验结果已经是显著的，我们就要看独立样本检验表中显示的方差不齐性后面显示的t值、自由度和可能值。在此查阅独立样本检验表，我们可以看见t检验的结果。t值是1.10，自由度是18，并且（两极）的显著性水平是0.287。在本例中，两组之间的平均值差异是不显著的，因为0.287大于0.05。怎样呈现独立样本t检验的结果？spss的输出结果报告如下：男性的工作满意度的平均分数是5060（sd=1.96）,女性的平均分数是4.60（sd=2.12）。在95%的置信区间上，男性的平均数从4.20到7.00；女性的平均数从

32、3.08到6.12。用独立样本t检验去比较男性和女性的工作满意度。男性和女性之间的工作满意度没有显著性差异。t（18）=1.10，p=0.29。注释：1 sd就是标准差。2 在t值之后的括号里的数字是自由度。3 95%的置信区间是在t检验之间有explorer程序输出所得到的。4 当编码为0的组比编码为1的组平均数大时，有时候spss给出的结果是负数，然而，在这些情况下，只要你提供了因变量在自变量不同水平的平均数（例如，本例中的男性和女性），就没有必要在报告t值的时候，带上负号。5 如果t值是显著的（比如说t值是2.86而不是1.10，得到的p值为0.01），我们可以说男性和女性之间存在显著性

33、差异。t（18）=2.86，p=0.01。6 如果t值是显著的，在讨论研究的发现时，引起关注的效应量是非常有用的。为表示不同，是用效应量合适的测量的值是d，它可以通过两个平均数之差除以合并标准差的方法计算出来。有关计算d值变量的文章请登陆www.dewberry-。使用这种计算方法，你仅仅需要输入如127显示的分组统计表中所示的相应的平均数、标准差和样本大小。在这个例子中，男性的平均数和标准差分别是5.60和1.96。女性的平均数和标准差分别是4.60和2.12.输入这个例子中的数据进行计算，我们可以得到d=0.49。然而，在像这儿一样例子的情况下，统计的显著性是不被包含的，它的效应大小通常不被报告。解释一个显著性t检验结果显示，一组的总体平均数与另一组总体平均数并不一样。在上面的例子中，如果发现女性的平均数比男性在统计上大，你可以有95%的把握推论，在组织中工作的女性的工作满意度在平均水平上大于男性。一个不显著的t检验结果表示，我们应该接受两组的工作满意度没有显著差别的虚无假设。当然，得出这个结论要依靠你抽取的男性与女性的样本代表性。如果你的样本在总体上不能在性别上很好地代表男性和女性（假如，他们都是中层管理者），在将你的结论推广到其他类型的时候，需要特别小心。因此，从你的结论中，你可以说，在组织的中层管理者之间，女性的工作满意度高，但在推广你的发现超出这个情况时，需要相当