下面方括号里是t-statistics，如何判断显著性？
ATY CTY
ATY(-1) 0.987942 0.043195
(0.02073) (0.01286)
[ 47.6582] [ 3.35802]
ATY(-2) -0.045514 -0.012115
(0.02917) (0.0181)
[-1.56051] [-0.66943]
用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
选用的检验方法必须符合其适用条件
注意：t检验的前提：
1、来自正态分布总体；
2、随机样本 ；
3、均数比较时，要求两样本总体方差相等，即具有方差齐性。
理论上，即使样本量很小时，也可以进行t检验。（如样本量为10，一些学者声称甚至更小的样本也行），只要每组中变量呈正态分布，两组方差不会明显不同。如上所述，可以通过观察数据的分布或进行正态性检验估计数据的正态假设。
方差齐性的假设可进行F检验，或进行更有效的Levene's检验。如果不满足这些条件，可以采用校正的t检验，或者换用非参数检验代替t检验进行两组间均值的比较。
扩展资料
单样本T检验：常用于样本均值与总体均值的比较。
独立样本T检验：常用于两个独立样本之间均值的比较。
配对样本T检验：常用于在某种程度上相关的两个样本之间均值的比较。这个某种程度相关，主要对应有这么两种形式：同一样本在不同时刻产生的结果（比如同一个活动页采用前后采用两种引流策略）或两个紧密联系的样本分别测量产生的结果（比如双胞胎的IQ测试）。
参考资料来源：百度百科-t检验
抽样实验会产生抽样误差，对实验资料进行比较分析时，不能仅凭两个结果（平均数或率）的不同就作出结论，而是要进行统计学分析，鉴别出两者差异是抽样误差引起的，还是由特定的实验处理引起的。
显著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著的方法。
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。
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 检验又称为显著性检验，概率α称为显著性水平。
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。
显著性检验的基本思想可以用小概率原理来解释。
1、小概率原理：小概率事件在一次试验中是几乎不可能发生的，假若在一次试验中事件 事实上发生了。那只能认为事件 不是来自我们假设的总体，也就是认为我们对总体所做的假设不正确。
2、观察到的显著水平：由样本资料计算出来的检验统计量观察值所截取的尾部面积。这个概率越小，反对原假设，认为观察到的差异表明真实的差异存在的证据便越强，观察到的差异便越加理由充分地表明真实差异存在。
3、检验所用的显著水平：针对具体问题的具体特点，事先规定这个检验标准。
4、在检验的操作中，把观察到的显著性水平与作为检验标准的显著水平标准比较，小于这个标准时，得到了拒绝原假设的证据，认为样本数据表明了真实差异存在。大于这个标准时，拒绝原假设的证据不足，认为样本数据不足以表明真实差异存在。
5、检验的操作可以用稍许简便一点的作法：根据所提出的显著水平查表得到相应的 值，称作临界值，直接用检验统计量的观察值与临界值作比较，观察值落在临界值所划定的尾部内，便拒绝原假设；观察值落在临界值所划定的尾部之外，则认为拒绝原假设的证据不足。
t值小于0.05即为显著。追问
不是，方括号里是t，圆括号里是标准差
追答那明白了，这组数据，标准差差距很小，t值差异不显著。一般默认t检验的显著水平都是0.05，那么只有小于这个值，才是显著性差异。
本回答被提问者采纳t值小于0.05即为显著。
