无论是单样本T检验、独立样本T检验还是配对样本T检验，都有几个基本前提：
1. T检验属于参数检验，用于检验定量数据（数字有比较意义的），若数据均为定类数据则使用非参数检验。
2. 样本数据服从正态或近似正态分布。
独立T检验（也称T检验），要求因变量需要符合正态分布性，如果不满足，此时可考虑使用非参数检验，具体来讲应该是MannWhitney检验进行研究。
单样本T检验，其默认前提条件是数据需要符合正态分布性，如果不满足，此时可考虑使用单样本Wilcoxon检验进行研究。
配对样本T检验，其默认前提条件是差值数据需要符合正态分布性，如果不满足，此时可考虑使用配对Wilcoxon检验进行研究。
独立样本t 检验用于分析定类数据与定量数据之间的关系情况。例如研究人员想知道两组学生的智商平均值是否有显著差异。t 检验仅可对比两组数据的差异,如果为三组或更多,则使用方差分析。如果刚好仅两组,建议样本较少(低于100时)使用t 检验,反之使用方差分析。
配对t 检验,用于配对定量数据之间的差异对比关系.例如在两种背景情况下(有广告和无广告);样本的购买意愿是否有着明显的差异性;配对t 检验通常用于实验研究中。
单样本t 检验用于分析定量数据是否与某个数字有着显著的差异性,比如五级量表,3分代表中立态度,可以使用单样本t 检验分析样本的态度是否明显不为中立状态;系统默认以0分进行对比。
独立样本t检验的数据格式
配对样本t检验的数据格式
单样本t检验的spssau操作
成组t检验随机性更强，而配对t检验的目的性更强，所以效率更高。
配对t检验，是单样本t检验的特例，主要观察以下几种情形：
1、配对的两个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的结果进行比较；
4、同一对象的两个部位给予不同的处理。
成组t检验，也称两独立样本资料的t检验，适用于完全随机设计的两样本均数的比较。将受试对象随机分配成两个处理组，每一组随机接受一种处理。
拓展资料：
注意事项：
1、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，要求俩总体方差相等，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。
2、区分单侧检验和双侧检验。单侧检验的界值小于双侧检验的界值，因此更容易拒绝，犯第Ⅰ错误的可能性大。t检验中的p值是接受两均值存在差异这个假设可能犯错的概率。在统计学上，当两组观察对象总体中的确不存在差别时，这个概率与我们拒绝了该假设有关。一些学者认为如果差异具有特定的方向性，我们只要考虑单侧概率分布，将所得到t-检验的P值分为两半。另一些学者则认为无论何种情况下都要报告标准的双侧t检验概率。
3、假设检验的结论不能绝对化。当一个统计量的值落在临界域内，这个统计量是统计上显著的，这时拒绝虚拟假设。当一个统计量的值落在接受域中，这个检验是统计上不显著的，这是不拒绝虚拟假设H0。因为，其不显著结果的原因有可能是样本数量不够拒绝H0 ，有可能犯第Ⅰ类错误。
4、正确理解P值与差别有无统计学意义。P越小，不是说明实际差别越大，而是说越有理由拒绝H0 ，越有理由说明两者有差异，差别有无统计学意义和有无专业上的实际意义并不完全相同。
5、假设检验和可信区间的关系结论具有一致性差异：提供的信息不同区间估计给出总体均值可能取值范围，但不给出确切的概率值，假设检验可以给出H0成立与否的概率。
6、涉及多组间比较时，慎用t检验。
科研实践中，经常需要进行两组以上比较，或含有多个自变量并控制各个自变量单独效应后的各组间的比较，（如性别、药物类型与剂量），此时，需要用方差分析进行数据分析，方差分析被认为是T检验的推广。在较为复杂的设计时，方差分析具有许多t-检验所不具备的优点。（进行多次的T检验进行比较设计中不同格子均值时）。
参考资料：百度百科-t检验