显著性差异分析如下：
1、建立虚无假设，即先认为两者没有差异，用表示。
2、通过统计运算，确定假设成立的概率P。
3、根据P的大小，判断假设是否成立。
显著性差异（significant difference），是一个统计学名词。它是统计学（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著或是极显著。
当数据之间具有了显著性差异，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。
比如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著性差异。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著性差异。
在作结论时，应确实描述方向性（例如显著大于或显著小于）。sig值通常用 P>0.05表示差异性不显著；0.01<P<0.05表示差异性显著；P<0.01表示差异性极显著。
假设检验，我们可以把这个词分为“假设”和“检验”来看。
“假设”这个词带了不确定性，常说假设一个事情发生了就怎么样，就是这个事情可能发生，也可能不发生，所以我们从概率这里说起。
生活中很多事件发生看似是随机的、偶然的，比如你打麻将扔骰子，扔到1就是1，扔到6就是6，但实际上这个事件是服从一定概率分布的——均匀分布：扔到1~6这六个数的概率是一样的，都是六分之一。
均匀分布的特点就是事件的各种情况发生的概率是相等的。这种分布是很简单的。然后现在来说另外一种很常见很重要应用很广泛的分布——正态分布。
正态分布是一种随机变量是具有钟形概率分布的随机变量，许多变量的概率分布都服从正态分布。例如：某地区儿童的发育特征，身高。体重等。在同一条件下，产品的质量以平均质量为中心上下摆动，特别差或者特别好的都是少数，多数处于中间状态，正态分布是最重要的一种连续型分布，有着非常广泛的应用。
显著性水平是估计总体参数落在某一区间内，可能犯错误的概率，用α表示。显著性水平是假设检验中的一个概念，是指当原假设为正确时人们却把它拒绝了的概率或风险。它是公认的小概率事件的概率值，必须在每一次统计检验之前确定，通常取α=0.05或α=0.01。这表明，当作出接受原假设的决定时，其正确的可能性（概率）为95%或99%。
p值，也称显著性值或者Sig.值，用于描述某件事情发生的概率情况，其取值范围是0~1，不包括0和1，通常情况下，一般有三个判断标准一个是0.01、0.05以及0.1。在绝大多数情况下，如果p值小于0.01，则说明至少有99％的把握，如果p值小于0.05（且大于或等于0.01），则说明至少有95％的把握，如果p值小于0.1（且大于或等于0.05），则说明至少有90％的把握。
在统计语言表达上，如果p值小于0.01，则称作0.01水平显著，例如，研究人员分析X对Y是否存在影响关系时，如果X对应的p值为0.00（由于小数位精度要求，展示为0.00），则说明X对Y存在影响关系这件事至少有99％的把握，统计语言描述为X在0.01水平上呈现显著性。
如果P值小于0.05(且大于或等于0.01)，则称作在0.05水平上显著。例如，研究人员在研究不同性别人群的购买意愿是否有明显的差异时，如果对应的P值为0.01，则说明在0.05水平上呈现出显著性差异，即说明不同性别人群的购买意愿有着明显的差异，而且对此类差异至少有95%的把握。绝大多数研究希望P值小于0.05，即说明研究对象之间有影响、有关系或有差异等。但个别地方需要P值大于0.05，如方差齐性检验时需要P值大于0.05（此处P值大于0.05说明方差不相等）。
SPSSAU操作计算
