世界上人是怎样出现的？_百度知道
世界上人是怎样出现的？
我有更好的答案
地球在几十亿年前出现过雷电，火山爆发，太阳照射剧烈同时存在，在这种环境下的原始海洋中形成了有机物，有机物在形成微生物，慢慢进化，直到出现了森林古猿，由于环境的影响，一部分森林古猿得以进化，在漫长的进化史中 终于演变成我们这种高级生命体——人类
采纳率：50%
人类出现的过程
在前面讲人的来源的时候，介绍了原始文化、圣经作者、偶然论以及生物学上对于人是怎么来的问题所作的研究，现在，我们从进化这个假设下，来探讨人类出现的过程。
今天的科学家利用化石学，研究保留在地层中的古代生物遗体，可以看出生物演化的过程，也可以确定人类的出现。
科学家通常应用两种方法来研究，一种是相对法，另一种是绝对法。相对法
相对法也就是间接的方法，就是由生物学的许多部门，一起推测人类原始的年代。比方：研究古生物学、化石学、生物地理学，而了解古代动物的分布地区：由研究比较解剖学（COMPARATIVE ANATOMY）来比较动物和人体的结构，以了解两百万年前的猿人。
还有，由「形态学」( MORPHOLOGY)的研究，了解动植物各部分的形状和构成；由「生理学」（PHYSIOLOGY）研究生物生活的现象；由「遗传学」（GENETICS）研究借着基因，从祖先传下来的特性等。借这些相关科学的资料，作为人类发展、人种分布推论的基础。绝对法
绝对法就是利用物质中，某些因为时间长短不同，而有某些程度改变的特性，来作为测定年代的依据。比方：「磁性研究」测年法，就是按照化石的磁性来测定年代。借着这些化石的研究，科学家固然可以推论人类何时出现。但是，精神不能清楚地在化石上留下痕迹，因此，古生物学家实在不容易确切知道，人类究竟在什么时候出现？或者，人是怎样演变而来的？他们也没有办法在这些研究中，找到那些在族系分布及变化过程中，所缺少的中间物。人类起源的三种假设
科学家们根据他们研究所得，在人类的起源方面，他们作了三种假设：
第一种假设是：十几年前，多半的专家都是这样介绍人类的起源的——大约在两百万年到八十万年前，地球上出现了非洲南猿（AUSTRALOPITHECUS）和巧人（HOMO HABILIS）；在八十万到三十万年前之间，这些猿人进化成直立猿人（PITHECANTHROPUS）和北京猿人（SINANTHROPUS PEK INENSIS）；到了三十万到十万年前之间，在奥杜费山谷（ODUVAI GORGE）等地，发现了古南方猿人（PRE-MOUSTERIAN）的踪迹。在十万年到五万年前之间，在卡麦尔山（MT.CARMEL）及其他地区，有早期南方猿人（EARLY MOUSTERIAN）；在五万年前，有晚期南方猿人（LATE MOUSTERIAN）和智人（HOMO SAPIENS）出现。
第二种假设是一九七七年十一月七日，美国时代杂志的报告，在这篇人类演化的文章中提到：在一千四百万年前，森林猿（DRYO-PITHACUS）因演化分成三大支，一支为巨猿（GIGANTOPITHECUS），另一支为猿（APES），猿又可以分为黑猩猩（CHIMPANZEE）、大猩猩（GORILLA）以及长臂猿（ORANUTAN）；第三支是拉玛猿（RAMAPITHECUS）。
到六百万年前，拉玛猿又分支，演化为非洲南猿(AUSTRALOPITHECUS)、巧人（HOMO HABILIS）、直立人（HOMO ERECTUS），直立人又包括爪哇猿人，以及中国北京猿人。到了三百万到两百万年前之间，开始有智人出现。
至于第三种假设，是一九七七年十二月，COPPENS.F.又提出一份报告，内容和时代杂志那篇报告，大致相同，但是，对演化的时间却不完全一样。他认为在两千万到一千六百万年前，森林猿分为三支：一支是猿，另一支是巨猿，第三支是拉玛猿，这个说法在时间上，要比时代杂志发表的，几乎早了六百万年。而且，他还认为人类的始祖是由拉玛猿演变而成的。
到了六百万至五百万年前，在非洲大陆出现了非洲南猿的踪迹；三百万到两百万年前，出现了巧人；到了两百万年前，直立人出现；至于智人什么时候在非洲出现，就无法推算了。上面三个假设是科学家对一些演化现象所作的假设，按照这种进化的假设，又发展出其他的学说。绝对进化论
有的科学家，例如：赫克尔（E.HAECKEL），就把达尔文的进化论和唯物无神论混合在一起，主张地球最初是没有生命的，至于那些最初的生命，一定是由无生物自然发生的。由无生物发生最初简单的生物，然后从这些最初简单的生物，逐渐演化而成复杂的植物、动物，最后演化成为人。
为这个缘故，他们认为生物进化过程中，并没有生物以外的力量，也就是没有天主的干预。这种进化论又称为「绝对进化论」。教会不接受「绝对进化论」，因为这种说法和圣经所说的「天主是造物主」不合。创造与进化
教宗庇护十二世，在一九五0年，所颁布「人类」这篇通谕中，承认相对进化论和天主教的信仰是可以配合的。
我们相信天主创造的宇宙，而教会也接受相对的进化论，在创造和进化之间，有没有冲突呢？
对这个问题，我们先来看几种与创造、进化有关的思想。创造主义
首先，我们来看创造主义的看法，他们认为根据圣经，天主在六天之内创造了万物，那么天主「创造」的方法，是不是现代进化论学者所谓的「演进」呢？过去，有人说：毫无疑问的，天主在圣经中，启示了他创造的事实，至于创造的方法，则留给科学家去捉摸。这种说法不外是迂回曲折地接受了进化论，希望科学家们也能赞成，天主就是管辖进化的主。像这一类的「创造主义者」，不但排斥进化主义，也不接受「神导进化论」以及「渐进创造论」。神导进化论神导进化论的形式很多，名词也各不相同，比方：循着一定规律的「循规进化」，或「突现进化」、「创造进化」等。事实上，现代进化论的创导者都不接受这些概念，在神学上也有许多矛盾的地方。如果天主是有位格的，永恒的、无所不能、无所不知、富于恩惠、慈爱和有目标、有计划的天主，那么，这么一位天主，以进化的方式来创造万物，似乎是绝对不相宜的，理由有很多，这里我们举几个：1.天主既然是全能的，他可以在刹那间创造宇宙，不需要把时间延长了好几千万年。2.进化论和天主的性格不一致。如果，具有天主的肖像的人是进化而来的，那么，天主当然不会等到地质时代的末期才造人，因为天主和石头、海水，恐龙都不能建立关系。
3.进化地质学者从化石记录发现，在宇宙进化历史中，充满了灭种、不适应环境、进化死巷等计划不同的证据。这种毫无计划，没有系统的演进，明显的与天主的全知不合。
4.进化论与天主爱的本性不一致：进化论被认为是历史事实，主要的证据是化石，而化石所遗留下来的是一个残暴的世界，充满风暴、动乱、疾病、饥馑、生存竞争，而进化的原因是弱者遭到淘汰，而慈爱的天主，对受造物的关切，远远超过这一切。
5.进化论和天主的恩典不一致。进化论主张物质世界里，靠竞争而生存，这和人本主义所提倡的「靠个人的努力才能得救」是相同的看法。但是，基督徒的看法是，基督屈尊就卑，降生成人，使人成为天主的儿女，使人靠着信德，得到生命和救恩。这和进化论在基本概念上，是截然不同的。渐进创造论
渐进创造论的想法是：就像进化论说的，生命发展是经过漫长的「地质时间」。但是，在不同的阶段中，天主插手创造了那些进化过程中，无法完成的新物体。对于渐进的创造论，无论从圣经或神学的角度来说，都看不出它比神导进化论更高明。而事实上，无论神导进化或渐进创造，前面所说的神学问题仍然存在。如果必须在两者之间选择一种的话，神导进化论似乎比渐进创造论合理，与天主的本性比较近一些。圣经进化论
对基督徒来说，比较可以接受的是「圣经进化论」，就是说，我们可以接受天主利用进化论所形容的方向，来完成他在创世纪当中，所提到的创造目标。不过，稍微有分量的释经法都会排斥这种说法。
一八六四年，有一位名叫巴斯德的科学家，以一个精密的实验推翻了绝对进化论。由他的实验，我们可以肯定：生命唯有来自生命，在自然律下，生命绝不会无中生有，或自然发生。如果生命来自生命，那么，我们可以问：地球是否自古以来，就有生命的存在呢？相对进化论
对这个问题，柏格森、德日进神父等人，根据学者们在化石学、古生物学等的研究所得到的证明，以及他们丰富的科学资料，归纳出「相对进化论」或者叫「缓和进化论」。所谓相对进化论是一方面承认，生物和人类是以进化方式逐步出现的，但是另一方面指出，进化并不是唯一的来源。因为进化本身也必须先有根源存在，而进化过程中的许多现象，在进化论里也找不到满意的答案。因此，不得不承认：有一个超越一切的智慧，他在引导这个演化的过程，先有一个生命的根源才能产生生命。这也就是德日进神父所讲的——天主自始至终，实在是一切演化过程中的发韧者、促进者以及终结者。他是A,也是Ω。因此，在物质界进化的科学假设中，如果没有天主的引导和参与，这些假设是无法成立的。
此答案经过百度检验，是正确的答案。希望提问者能够及时解决该问题 。
最开始，一堆有机物不小心合成了最最低级的生命体，然后慢慢进化成人类这么复杂的生物。科学家说的。
最新的科学发现认为是古猿演化而来的。
也可以从构建论的角度来说。人们定义了人这个词的含意，然后按照定义去对比考古发现，从而规定了哪些时期的类人生物可以称之为人。
达尔文认为是自然进化的，但学术界有争议，例如进化论不能解释一些复杂器官如何产生，古生物无眼睛，更多的靠触觉，若眼睛的一部分组织进化出来，但是是没用的，它会被淘汰。
其他4条回答
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。世界杯-盘点世界杯历史上经典死亡之组|世界杯|死亡|英格兰_新浪网
世界杯-盘点世界杯历史上经典死亡之组
世界杯-盘点世界杯历史上经典死亡之组
在万众期待之下，2018年俄罗斯世界杯分组抽签仪式在北京时间12月1日晚在莫斯科正式举行，经过漫长的等待，18年世界杯所有的球队已经分组完成，结果只能用几家欢喜几家忧来形容，而对比之前几届的世界杯抽签，很多球迷都觉得有些遗憾，除了阿根廷那一组勉强可以算上之外，明年的世界杯似乎没有过往那样令人窒息的死亡之组，或许会让世界杯小组赛的色彩稍显暗淡，那么，世界杯的历史上，死亡之组的战役堪称是球迷的盛宴，在这里你只有赢球才能稳稳的占据主动权，一场失利极有可能使你坠入深渊，那么今天，我们就来盘点世界杯历史上那些著名的“死亡之组”吧！1958年世界杯（巴西、前苏联、英格兰、奥地利）1958年瑞典世界杯不但有着“球王”贝利强势登场，也是世界杯历史上第一个死亡之组的诞生，四支享誉世界的队伍第一次被凑到一个小组，拥有着17岁的贝利和加林查两位天才球星的巴西目标就是冲击冠军，前苏联两年前刚刚拿到了奥运会足球项目的第一名，而他们的后防线也拥有着“超级门神”列夫.雅辛，虽然遭受了残酷的慕尼黑空难让英格兰失去了以邓肯.爱德华兹为首的天才球星，但他们的实力仍然是不能小觑的，奥地利虽然没有三队知名，但别忘了，他们在1954年的世界杯中可是拿到了第三名，这样的分组这也让很多的球迷感到震惊，震惊之余也让原本波澜不惊的小组赛战火点燃，看点十足，而结局同样也没有令人失望，小组赛三轮过后，只有巴西涉险过关，而英格兰与前苏联两支球队的战绩居然完全相同，而面对这样的情况，两队不得不进行一场附加赛，最终，前苏联以一球优势战胜了英格兰成功晋级，这届世界杯的小组赛也让球队大呼过瘾，而死亡之组的称呼也是从这一届正式开始。1994年世界杯（意大利、墨西哥、爱尔兰、挪威）1994年美国世界杯E组的排位或许仍然是很多老球迷难忘的一组经典战役，除了世界排名第一意大利之外，其余三支球队的世界排名通通位列前20，而实力超群的意大利人在小组赛的第一场比赛就遭到了爱尔兰的伏击，他们用一场胜利给了亚平宁王者当头一棒，而意大利人也被这突如其来的一击打的不知所措，他们在与挪威的比赛中全场并不自在，最后只取得一场1-0的小胜，而霉运并没有随着一场胜利就此结束，不然也不会称为”死亡之组”了，最后一轮比赛，面对强悍的墨西哥人，意大利最终只能以一场平局惨淡收惨，而最神奇的地方就在三轮结束后出现了，这是世界杯历史的奇谈，四支球队积分、净胜球完全相同，墨西哥以进球数第一奇迹般的拿到了小组头名，而爱尔兰由于战胜了意大利，拿到了小组第二，而意大利最终还是凭借着最好第三的名次搭上了淘汰赛的最后一个末班车，而随后的意大利人知耻后勇，在巴乔的带领下一路过关斩将，最后遗憾输给桑巴军团，巴乔忧郁的背影也成为了足坛经典，这届世界杯，除了巴乔之外，E组的小组赛的激烈也是球迷们津津乐道的话题。2002年世界杯（阿根廷、英格兰、尼日利亚、瑞典）02年的日韩世界杯对于中国球迷来说是绝对不会遗忘的，这是中国红第一次在世界杯的舞台上绽放，而那一届世界杯的F组，也是历史著名的死亡之组，“三狮军团”英格兰和阿根廷小组相遇，在法兰西世界杯上证明自己的“非洲雄鹰”尼日利亚，以及法国世界杯的季军得主瑞典队，在小组赛的首次比赛中，阿根廷凭借“战神”巴蒂打进的全场唯一一粒进球战胜了非洲黑鹰，而两位欧洲的队伍握手言和，随后，瑞典一骑绝尘，2球优势让尼日利亚提前结束了世界杯的旅程，而英格兰在凭借小贝的点球杀死了阿根廷，完成复仇，最后一场比赛，四支球队都收获了平局，最终，欧洲人笑到了最后，瑞典和英格兰携手挺进淘汰赛，而阿根廷含恨出局，比赛的过程也是让球迷大呼过瘾，阿根廷的出局也是当时最火热的话题之一，要论经典，这轮战斗绝对可以排进榜单。2014年世界杯（哥斯达黎加、乌拉圭、英格兰、意大利）14年巴西世界杯的D组绝对是世界杯历史上最具代表作的死亡之组之一了，这是由三个获得过世界杯冠军的强队与号称“悲催牺牲品”的哥斯达黎加分在了一个小组，大家正在为三位豪强谁会掉队而预测时，哥斯达黎加完成了世界杯上最伟大的奇迹，或许除了他们自己，没人会想象他们会出线，而且是以小组第一的身份出线，要知道，无论是身价还是各种因素，他们与三支豪强的差距实在是太明显了，但是世界杯的魅力就是在于，它是一个诞生奇迹的地方，哥斯达黎加就是14年的一个奇迹，他们首轮比赛，在被乌拉圭先进1球后，连扳3球逆转大胜，让所有媒体惊掉了下巴，而他们或许不知道，好戏还远远没有结束，面对铁血意大利人，哥斯达黎加人再次将奇迹续写，队长鲁加伊用一记神奇的头球攻破了布冯的五指关，两连胜让他们直接晋级淘汰赛，也将英格兰人送回欧洲，让乌拉圭和意大利两大豪强争夺出线名额，这是一开始所有人都没有想到结果，哥斯达黎加完成了不可能完成的任务，这届世界杯将会是他们永远的骄傲。
特别声明：以上文章内容仅代表作者本人观点，不代表新浪看点观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪看点联系。通俗理解T检验与F检验的区别
1，T检验和F检验的由来
一般而言，为了确定从样本(sample)统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。
通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布(probability
distribution)进行比较，我们可以知道在多少%的机会下会得到目前的结果。倘若经比较后发现，出现这结果的机率很少，亦即是说，是在机会很少、很罕有的情况下才出现；那我们便可以有信心的说，这不是巧合，是具有统计学上的意义的(用统计学的话讲，就是能够拒绝虚无假设null
hypothesis,Ho)。相反，若比较后发现，出现的机率很高，并不罕见；那我们便不能很有信心的直指这不是巧合，也许是巧合，也许不是，但我们没能确定。
F值和t值就是这些统计检定值，与它们相对应的概率分布，就是F分布和t分布。统计显著性（sig）就是出现目前样本这结果的机率。
2，统计学意义（P值或sig值）
结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。
3，T检验和F检验
至於具体要检定的内容，须看你是在做哪一个统计程序。
举一个例子，比如，你要检验两独立样本均数差异是否能推论至总体，而行的t检验。
两样本(如某班男生和女生)某变量(如身高)的均数并不相同，但这差别是否能推论至总体，代表总体的情况也是存在著差异呢？
会不会总体中男女生根本没有差别，只不过是你那麼巧抽到这2样本的数值不同？
为此，我们进行t检定，算出一个t检定值。
与统计学家建立的以「总体中没差别」作基础的随机变量t分布进行比较，看看在多少%的机会(亦即显著性sig值)下会得到目前的结果。
若显著性sig值很少，比如&0.05(少於5%机率)，亦即是说，「如果」总体「真的」没有差别，那麼就只有在机会很少(5%)、很罕有的情况下，才会出现目前这样本的情况。虽然还是有5%机会出错(1-0.05=5%)，但我们还是可以「比较有信心」的说：目前样本中这情况(男女生出现差异的情况)不是巧合，是具统计学意义的，「总体中男女生不存差异」的虚无假设应予拒绝，简言之，总体应该存在著差异。
每一种统计方法的检定的内容都不相同，同样是t-检定，可能是上述的检定总体中是否存在差异，也同能是检定总体中的单一值是否等於0或者等於某一个数值。
至於F-检定，方差分析(或译变异数分析，Analysis of
Variance)，它的原理大致也是上面说的，但它是透过检视变量的方差而进行的。它主要用于：均数差别的显著性检验、分离各有关因素并估计其对总变异的作用、分析因素间的交互作用、方差齐性(Equality
of Variances)检验等情况。
4，T检验和F检验的关系
t检验过程，是对两样本均数(mean)差别的显著性进行检验。惟t检验须知道两个总体的方差(Variances)是否相等；t检验值的计算会因方差是否相等而有所不同。也就是说，t检验须视乎方差齐性(Equality
of Variances)结果。所以，SPSS在进行t-test for Equality of
Means的同时，也要做Levene's Test for Equality of Variances 。
在Levene's Test for Equality of Variances一栏中 F值为2.36,
Sig.为.128，表示方差齐性检验「没有显著差异」，即两方差齐(Equal
Variances)，故下面t检验的结果表中要看第一排的数据，亦即方差齐的情况下的t检验的结果。
在t-test for Equality of
Means中，第一排(Variances=Equal)的情况：t=8.892, df=84, 2-Tail Sig=.000,
Mean Difference=22.99
既然Sig=.000，亦即，两样本均数差别有显著性意义！
到底看哪个Levene's Test for Equality of Variances一栏中sig,还是看t-test
for Equality of Means中那个Sig. (2-tailed)啊?
答案是：两个都要看。
先看Levene's Test for Equality of
Variances，如果方差齐性检验「没有显著差异」，即两方差齐(Equal
Variances)，故接著的t检验的结果表中要看第一排的数据，亦即方差齐的情况下的t检验的结果。
反之，如果方差齐性检验「有显著差异」，即两方差不齐(Unequal
Variances)，故接著的t检验的结果表中要看第二排的数据，亦即方差不齐的情况下的t检验的结果。
你做的是T检验，为什么会有F值呢?
就是因为要评估两个总体的方差(Variances)是否相等，要做Levene's Test for Equality of
Variances，要检验方差，故所以就有F值。
另一种解释：
t检验有单样本t检验，配对t检验和两样本t检验。
单样本t检验：是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。
配对t检验：是采用配对设计方法观察以下几种情形，1，两个同质受试对象分别接受两种不同的处理；2,同一受试对象接受两种不同的处理；3，同一受试对象处理前后。
F检验又叫方差齐性检验。在两样本t检验中要用到F检验。
从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t'检验或变量变换或秩和检验等方法。
其中要判断两总体方差是否相等，就可以用F检验。
若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测结果，应用t检验的前提条件就是该组资料必须服从正态分布；若是配对设计，每对数据的差值必须服从正态分布；若是成组设计，个体之间相互独立，两组资料均取自正态分布的总体，并满足方差齐性。之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布，而t检验正是以t分布作为其理论依据的检验方法。
简单来说就是实用T检验是有条件的，其中之一就是要符合方差齐次性，这点需要F检验来验证。
1、问：自由度是什么？怎样确定？
答：（定义）构成样本统计量的独立的样本观测值的数目或自由变动的样本观测值的数目。用df表示。
自由度的设定是出于这样一个理由：在总体平均数未知时，用样本平均数去计算离差（常用小s）会受到一个限制——要计算标准差（小s）就必须先知道样本平均数，而样本平均数和n都知道的情况下，数据的总和就是一个常数了。所以，“最后一个”样本数据就不可以变了，因为它要是变，总和就变了，而这是不允许的。至于有的自由度是n－2什么的，都是同样道理。
在计算作为估计量的统计量时，引进一个统计量就会失去一个自由度。
通俗点说，一个班上有50个人，我们知道他们语文成绩平均分为80，现在只需要知道49个人的成绩就能推断出剩下那个人的成绩。你可以随便报出49个人的成绩，但是最后一个人的你不能瞎说，因为平均分已经固定下来了，自由度少一个了。
简单点就好比你有一百块，这是固定的，已知的，假设你打算买五件东西，那么前四件你可以随便买你想买的东西，只要还有钱的话，比如说你可以吃KFC可以买笔，可以买衣服，这些花去的钱数目不等，当你只剩2块钱时，或许你最多只能买一瓶可乐了，当然也可以买一个肉松蛋卷，但无论怎么花，你都只有两块钱，而这在你花去98块那时就已经定下来了。
（这个例子举的真不错！！）
2、问：X方检验中自由度问题
答：在正态分布检验中，这里的M（三个统计量）为N（总数）、平均数和标准差。
因为我们在做正态检验时，要使用到平均数和标准差以确定该正态分布形态，此外，要计算出各个区间的理论次数，我们还需要使用到N。
所以在正态分布检验中，自由度为K－3。（这一条比较特别，要记住！）
在总体分布的配合度检验中，自由度为K－1。
在交叉表的独立性检验和同质性检验中，自由度为（r－1）&（c－1）。
3、问：t检验和方差分析有何区别
答：t检验适用于两个变量均数间的差异检验，多于两个变量间的均数比较要用方差分析。
用于比较均值的t检验可以分成三类，第一类是针对单组设计定量资料的；第二类是针对配对设计定量资料的；第三类则是针对成组设计定量资料的。后两种设计类型的区别在于事先是否将两组研究对象按照某一个或几个方面的特征相似配成对子。无论哪种类型的t检验，都必须在满足特定的前提条件下应用才是合理的。
若是单组设计，必须给出一个标准值或总体均值，同时，提供一组定量的观测结果，应用t检验的前提条件就是该组资料必须服从正态分布；若是配对设计，每对数据的差值必须服从正态分布；若是成组设计，个体之间相互独立，两组资料均取自正态分布的总体，并满足方差齐性。之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布，而t检验正是以t分布作为其理论依据的检验方法。
值得注意的是，方差分析与成组设计t检验的前提条件是相同的，即正态性和方差齐性。
t检验是目前医学研究中使用频率最高，医学论文中最常见到的处理定量资料的假设检验方法。t检验得到如此广泛的应用，究其原因，不外乎以下几点：现有的医学期刊多在统计学方面作出了要求，研究结论需要统计学支持；传统的医学统计教学都把t检验作为假设检验的入门方法进行介绍，使之成为广大医学研究人员最熟悉的方法；t检验方法简单，其结果便于解释。简单、熟悉加上外界的要求，促成了t检验的流行。但是，由于某些人对该方法理解得不全面，导致在应用过程中出现不少问题，有些甚至是非常严重的错误，直接影响到结论的可靠性。将这些问题归类，可大致概括为以下两种情况：不考虑t检验的应用前提，对两组的比较一律用t检验；将各种实验设计类型一律视为多个单因素两水平设计，多次用t检验进行均值之间的两两比较。以上两种情况，均不同程度地增加了得出错误结论的风险。而且，在实验因素的个数大于等于2时，无法研究实验因素之间的交互作用的大小。
问：统计学意义（P值）
答：结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，P值为结果可信程度的一个递减指标，P值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。P值是将观察结果认为有效即具有总体代表性的犯错概率。如P=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的P值通常被认为是可接受错误的边界水平。
4、问：如何判定结果具有真实的显著性
答：在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两&比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生P值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果
0.05≥P&0.01被认为是具有统计学意义，而0.01≥P≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。
5、问：所有的检验统计都是正态分布的吗？
答：并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、F检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。
6、问：假设检验的内涵及步骤
答：在假设检验中，由于随机性我们可能在决策上犯两类错误，一类是假设正确，但我们拒绝了假设，这类错误是“弃真”错误，被称为第一类错误；一类是假设不正确，但我们没拒绝假设，这类错误是“取伪”错误，被称为第二类错误。一般来说，在样本确定的情况下，任何决策无法同时避免两类错误的发生，即在避免第一类错误发生机率的同时，会增大第二类错误发生的机率；或者在避免第二类错误发生机率的同时，会增大第一类错误发生的机率。人们往往根据需要选择对那类错误进行控制，以减少发生这类错误的机率。大多数情况下，人们会控制第一类错误发生的概率。&&&&
发生第一类错误的概率被称作显著性水平，一般用α表示，在进行假设检验时，是通过事先给定显著性水平α的值而来控制第一类错误发生的概率。在这个前提下，假设检验按下列步骤进行：
1）、确定假设；
2）、进行抽样，得到一定的数据；
3）、根据假设条件下，构造检验统计量，并根据抽样得到的数据计算检验统计量在这次抽样中的具体值；
4）、依据所构造的检验统计量的抽样分布，和给定的显著性水平，确定拒绝域及其临界值；
5）、比较这次抽样中检验统计量的值与临界值的大小，如果检验统计量的值在拒绝域内，则拒绝假设；
到这一步，假设检验已经基本完成，但是由于检验是利用事先给定显著性水平的方法来控制犯错概率的，所以对于两个数据比较相近的假设检验，我们无法知道那一个假设更容易犯错，即我们通过这种方法只能知道根据这次抽样而犯第一类错误的最大概率（即给定的显著性水平），而无法知道具体在多大概率水平上犯错。计算
P值有效的解决了这个问题，P值其实就是按照抽样分布计算的一个概率值，这个值是根据检验统计量计算出来的。通过直接比较P值与给定的显著性水平α的大小就可以知道是否拒绝假设，显然这就代替了比较检验统计量的值与临界值的大小的方法。而且通过这种方法，我们还可以知道在p值小于α的情况下犯第一类错误的实际概率是多少，p＝0.03&α=0.05，那么拒绝假设，这一决策可能犯错的概率是0.03。需要指出的是，如果P&α，那么假设不被拒绝，在这种情况下，第一类错误并不会发生。
7、问：卡方检验的结果，值是越大越好，还是越小越好？
答：与其它检验一样，所计算出的统计量越大，在分布中越接近分布的尾端，所对应的概率值越小。
如果试验设计合理、数据正确，显著或不显著都是客观反映。没有什么好与不好。
8、问：配对样本的T检验和相关样本检验有何差别？
答：配对样本有同源配对（如动物实验中双胞胎）、条件配对（如相同的环境）、自身配对（如医学实验中个体的用药前后）等。（好像没有解释清楚啊，同问这个，到底什么区别呢？）
9、问：在比较两组数据的率是否相同时，二项分布和卡方检验有什么不同？
答：卡方分布主要用于多组多类的比较，是检验研究对象总数与某一类别组的观察频数和期望频数之间是否存在显著差异，要求每格中频数不小于5，如果小于5则合并相邻组。二项分布则没有这个要求。
如果分类中只有两类还是采用二项检验为好。
如果是2*2表格可以用fisher精确检验，在小样本下效果更好。
10、问：如何比较两组数据之间的差异性
答：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。
11、问：回归分析和相关分析的联系和区别
答：回归分析(Regression)：Dependant variable is defined and can be
forecasted by independent variable.相关分析(Correlation)：The
relationship btw two variables. --- A dose not define or determine
回归更有用自变量解释因变量的意思，有一点点因果关系在里面，并且可以是线性或者非线形关系；
相关更倾向于解释两两之间的关系，但是一般都是指线形关系，特别是相关指数，有时候图像显示特别强二次方图像，但是相关指数仍然会很低，而这仅仅是因为两者间不是线形关系，并不意味着两者之间没有关系，因此在做相关指数的时候要特别注意怎么解释数值，特别建议做出图像观察先。
不过，无论回归还是相关，在做因果关系的时候都应该特别注意，并不是每一个显著的回归因子或者较高的相关指数都意味着因果关系，有可能这些因素都是受第三，第四因素制约，都是另外因素的因或果。
对于此二者的区别，我想通过下面这个比方很容易理解：
对于两个人关系，相关关系只能知道他们是恋人关系，至于他们谁是主导者，谁说话算数，谁是跟随者，一个打个喷嚏，另一个会有什么反应，相关就不能胜任，而回归分析则能很好的解决这个问题
回歸未必有因果關係。回歸的主要有二：一是解釋，一是預測。在於利用已知的自變項預測未知的依變數。相關係數，主要在了解兩個變數的共變情形。如果有因果關係，通常會進行路徑分析(path
analysis)或是線性結構關係模式。
我觉得应该这样看，我们做回归分析是在一定的理论和直觉下，通过自变量和因变量的数量关系探索是否有因果关系。楼上这位仁兄说“回归未必有因果关系……如果有因果关系，通常进行路径分析或线性结构关系模式”有点值得商榷吧，事实上，回归分析可以看成是线性结构关系模式的一个特例啊。
我觉得说回归是探索因果关系的并没错，因为实际上最后我们并不是完全依据统计的结果来判断因果性，只有在统计结果和理论及现实比较吻合的基础上我们才肯定这种因果关系。任何统计方法只是一种工具，但是不能完全依赖于这种工具。即使是SEM，我们也不能说完全认定其准确性，因为即使方法是好的，但是变量的复杂关系呈现的方式也是多种多样的，可能统计只能告诉你一个方向上的最优解，可未必是最符合实际的，更何况抽样数据的质量好坏也会使得结果不符合事实，从而导致人们怀疑统计方法的准确性。
统计只说明统计关联。
不证明因素关系。
回归有因果关系，相关未必。
回归分析是处理两个及两个以上变量间线性依存关系的统计方法。此类问题很普遍，如人头发中某种金属元素的含量与血液中该元素的含量有关系，人的体表面积与身高、体重有关系；等等。回归分析就是用于说明这种依存变化的数学关系。
任何事物的存在都不是孤立的，而是相互联系、相互制约的。身高与体重、体温与脉搏、年龄与血压等都存在一定的联系。说明客观事物相互间关系的密切程度并用适当的统计指标表示出来，这个过程就是相关分析.
号外：如果您写论文需要数据代查，推荐大家关注微信公众号“司库价值观”，这里提供WIND金融终端数据库全功能数据查询，包括宏观经济数据、行业产业数据、上市公司数据、债券市场数据、银行理财数据、公募基金数据、大宗商品数据等等。关注后进入公众号界面，点击右下角的“数据代查”或者直接回复关键词“数据代查”，可以获得具体查询方式及报价信息，很便宜的。或者把您的需求直接发送邮件至，抑或加QQ（数据代查）。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。