未记录事实核验 · 状态：现行内容

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

🧮 t检验（t-test）

🎯 核心概念

核心思想：

• 检验样本数据是否支持某个关于均值的假设
• 基于t分布进行统计推断
• 适用于小样本或总体标准差未知的情况

📊 三种t检验类型详解

1. 🎯 单样本t检验 (One-Sample t-test)

用途：检验样本均值是否等于某个特定值

适用条件：

• 数据服从正态分布（或样本量足够大）
• 观测值相互独立
• 总体标准差未知

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats
import seaborn as sns

def one_sample_t_test_demo():
    """单样本t检验演示"""
    
 # 场景：某品牌声称其电池平均寿命为100小时
 # 随机抽取20个电池测试，检验是否真的是100小时
    
    np.random.seed(42)
    battery_life = np.random.normal(95, 12, 20)  # 实际均值95小时
    claimed_mean = 100
    
    print("=== 单样本t检验 ===")
    print(f"样本数据: {battery_life.round(1)}")
    print(f"样本均值: {np.mean(battery_life):.2f}小时")
    print(f"声称均值: {claimed_mean}小时")
    
 # 执行单样本t检验
    t_statistic, p_value = stats.ttest_1samp(battery_life, claimed_mean)
    
    print(f"\n检验结果:")
    print(f"t统计量: {t_statistic:.4f}")
    print(f"p值: {p_value:.4f}")
    print(f"自由度: {len(battery_life) - 1}")
    
 # 判断结果
    alpha = 0.05
    if p_value < alpha:
        print(f"结论: p值 < {alpha}，拒绝原假设，电池寿命显著不等于{claimed_mean}小时")
    else:
        print(f"结论: p值 >= {alpha}，不拒绝原假设，没有足够证据表明电池寿命不等于{claimed_mean}小时")
    
 # 置信区间
    confidence_interval = stats.t.interval(0.95, len(battery_life)-1, 
                                         loc=np.mean(battery_life), 
                                         scale=stats.sem(battery_life))
    print(f"95%置信区间: [{confidence_interval[0]:.2f}, {confidence_interval[1]:.2f}]")
    
 # 可视化
    plt.figure(figsize=(12, 4))
    
    plt.subplot(1, 2, 1)
    plt.hist(battery_life, bins=8, alpha=0.7, density=True, color='skyblue')
    plt.axvline(np.mean(battery_life), color='red', linestyle='--', label=f'样本均值: {np.mean(battery_life):.1f}')
    plt.axvline(claimed_mean, color='green', linestyle='--', label=f'声称均值: {claimed_mean}')
    plt.xlabel('电池寿命(小时)')
    plt.ylabel('密度')
    plt.title('电池寿命分布')
    plt.legend()
    
 # t分布图
    plt.subplot(1, 2, 2)
    x = np.linspace(-4, 4, 100)
    df = len(battery_life) - 1
    y = stats.t.pdf(x, df)
    plt.plot(x, y, 'b-', label=f't分布(df={df})')
    plt.axvline(t_statistic, color='red', linestyle='--', label=f't统计量: {t_statistic:.2f}')
    
 # 临界值
    critical_value = stats.t.ppf(0.975, df)  # 双侧检验
    plt.axvline(critical_value, color='orange', linestyle=':', label=f'临界值: ±{critical_value:.2f}')
    plt.axvline(-critical_value, color='orange', linestyle=':')
    
    plt.xlabel('t值')
    plt.ylabel('概率密度')
    plt.title('t分布与检验统计量')
    plt.legend()
    
    plt.tight_layout()
    plt.show()
    
    return battery_life, t_statistic, p_value

# 执行单样本t检验
sample_data, t_stat, p_val = one_sample_t_test_demo()

2. 🤝 独立样本t检验 (Independent Samples t-test)

用途：比较两个独立群体的均值是否相等

适用条件：

• 两组数据相互独立
• 数据服从正态分布
• Student独立样本t检验要求方差齐性；Welch独立样本t检验（equal_var=False）不要求两组方差相等。Levene检验可辅助评估方差差异，但未拒绝不等于证明方差相等。

def independent_samples_t_test_demo():
    """独立样本t检验演示"""
    
 # 场景：比较两种教学方法的效果
    np.random.seed(42)
    
 # 传统教学法成绩
    traditional = np.random.normal(75, 10, 30)
 # 新教学法成绩
    innovative = np.random.normal(80, 12, 28)
    
    print("=== 独立样本t检验 ===")
    print(f"传统教学法 - 样本量: {len(traditional)}, 均值: {np.mean(traditional):.2f}, 标准差: {np.std(traditional, ddof=1):.2f}")
    print(f"新教学法 - 样本量: {len(innovative)}, 均值: {np.mean(innovative):.2f}, 标准差: {np.std(innovative, ddof=1):.2f}")
    
 # 方差齐性检验
    levene_stat, levene_p = stats.levene(traditional, innovative)
    print(f"\nLevene方差齐性检验: 统计量={levene_stat:.4f}, p值={levene_p:.4f}")
    
    equal_var = levene_p > 0.05
    print(f"Levene检验结论: {'未拒绝方差相等原假设，不代表证明方差相等' if equal_var else '拒绝方差相等原假设'}")
    
 # 执行独立样本t检验
    t_stat, p_value = stats.ttest_ind(traditional, innovative, equal_var=equal_var)
    
    print(f"\n独立样本t检验结果:")
    print(f"t统计量: {t_stat:.4f}")
    print(f"p值: {p_value:.4f}")
    
 # 效应量 (Cohen's d)
    pooled_std = np.sqrt(((len(traditional) - 1) * np.var(traditional, ddof=1) + 
                         (len(innovative) - 1) * np.var(innovative, ddof=1)) / 
                        (len(traditional) + len(innovative) - 2))
    cohens_d = (np.mean(innovative) - np.mean(traditional)) / pooled_std
    print(f"Cohen's d (效应量): {cohens_d:.4f}")
    
 # 效应量解释
    if abs(cohens_d) < 0.2:
        effect_size = "低于常用小效应参考阈值"
    elif abs(cohens_d) < 0.5:
        effect_size = "小（常用参考）"
    elif abs(cohens_d) < 0.8:
        effect_size = "中等（常用参考）"
    else:
        effect_size = "大（常用参考）"
    print("提示：0.2、0.5、0.8仅为常用参考阈值，实际意义需结合领域判断")
    
    print(f"效应量大小: {effect_size}")
    
    alpha = 0.05
    if p_value < alpha:
        print(f"\n结论: p值 < {alpha}，拒绝原假设，两种教学方法效果有显著差异")
    else:
        print(f"\n结论: p值 >= {alpha}，不拒绝原假设，两种教学方法效果无显著差异")
    
 # 可视化
    plt.figure(figsize=(15, 5))
    
 # 分布对比
    plt.subplot(1, 3, 1)
    plt.hist(traditional, alpha=0.6, bins=12, label='传统教学法', color='lightblue', density=True)
    plt.hist(innovative, alpha=0.6, bins=12, label='新教学法', color='lightcoral', density=True)
    plt.axvline(np.mean(traditional), color='blue', linestyle='--', label=f'传统均值: {np.mean(traditional):.1f}')
    plt.axvline(np.mean(innovative), color='red', linestyle='--', label=f'新方法均值: {np.mean(innovative):.1f}')
    plt.xlabel('成绩')
    plt.ylabel('密度')
    plt.title('两组成绩分布对比')
    plt.legend()
    
 # 箱线图
    plt.subplot(1, 3, 2)
    data_to_plot = [traditional, innovative]
    plt.boxplot(data_to_plot, labels=['传统教学法', '新教学法'])
    plt.ylabel('成绩')
    plt.title('箱线图对比')
    
 # 均值和置信区间
    plt.subplot(1, 3, 3)
    means = [np.mean(traditional), np.mean(innovative)]
    errors = [stats.sem(traditional) * stats.t.ppf(0.975, len(traditional)-1),
              stats.sem(innovative) * stats.t.ppf(0.975, len(innovative)-1)]
    
    plt.bar(['传统教学法', '新教学法'], means, yerr=errors, 
            capsize=5, alpha=0.7, color=['lightblue', 'lightcoral'])
    plt.ylabel('平均成绩')
    plt.title('均值及95%置信区间')
    
    plt.tight_layout()
    plt.show()
    
    return traditional, innovative, t_stat, p_value

# 执行独立样本t检验
group1, group2, t_stat_ind, p_val_ind = independent_samples_t_test_demo()

3. 👥 配对样本t检验 (Paired Samples t-test)

用途：比较同一群体在两个不同条件下的均值差异

适用条件：

• 观测对象相同（配对数据）
• 差值服从正态分布
• 配对观测相互独立

def paired_samples_t_test_demo():
    """配对样本t检验演示"""
    
 # 场景：比较培训前后员工绩效得分
    np.random.seed(42)
    n_employees = 25
    
 # 培训前得分
    before_training = np.random.normal(70, 12, n_employees)
    
 # 培训后得分（假设有5分的提升加上随机变动）
    improvement = np.random.normal(5, 8, n_employees)
    after_training = before_training + improvement
    
    print("=== 配对样本t检验 ===")
    print(f"员工数量: {n_employees}")
    print(f"培训前平均得分: {np.mean(before_training):.2f}")
    print(f"培训后平均得分: {np.mean(after_training):.2f}")
    print(f"平均提升: {np.mean(after_training - before_training):.2f}")
    
 # 计算差值
    differences = after_training - before_training
    print(f"差值标准差: {np.std(differences, ddof=1):.2f}")
    
 # 执行配对样本t检验
    t_stat, p_value = stats.ttest_rel(before_training, after_training)
    
    print(f"\n配对样本t检验结果:")
    print(f"t统计量: {t_stat:.4f}")
    print(f"p值: {p_value:.4f}")
    print(f"自由度: {len(differences) - 1}")
    
 # 效应量 (配对样本的Cohen's d)
    cohens_d_paired = np.mean(differences) / np.std(differences, ddof=1)
    print(f"Cohen's d (配对): {cohens_d_paired:.4f}")
    
    alpha = 0.05
    if p_value < alpha:
        print(f"\n结论: p值 < {alpha}，拒绝平均差值为零的原假设；模拟数据中培训后减培训前的平均差值为{np.mean(differences):.2f}。差异方向需结合该差值判断，单组前后比较不能证明培训的因果效果。")
    else:
        print(f"\n结论: p值 >= {alpha}，不拒绝平均差值为零的原假设，尚无足够证据说明模拟数据的前后平均得分存在差异；这不证明培训无效。")
    
 # 差值的置信区间
    ci = stats.t.interval(0.95, len(differences)-1, 
                         loc=np.mean(differences), 
                         scale=stats.sem(differences))
    print(f"提升效果的95%置信区间: [{ci[0]:.2f}, {ci[1]:.2f}]")
    
 # 可视化
    plt.figure(figsize=(15, 5))
    
 # 配对数据散点图
    plt.subplot(1, 3, 1)
    plt.scatter(before_training, after_training, alpha=0.6)
    
 # 添加对角线
    min_val = min(min(before_training), min(after_training))
    max_val = max(max(before_training), max(after_training))
    plt.plot([min_val, max_val], [min_val, max_val], 'r--', alpha=0.8, label='y=x')
    
    plt.xlabel('培训前得分')
    plt.ylabel('培训后得分')
    plt.title('培训前后得分对比')
    plt.legend()
    
 # 差值分布
    plt.subplot(1, 3, 2)
    plt.hist(differences, bins=10, alpha=0.7, color='green', density=True)
    plt.axvline(np.mean(differences), color='red', linestyle='--', 
               label=f'平均差值: {np.mean(differences):.2f}')
    plt.axvline(0, color='black', linestyle='-', alpha=0.5, label='无差异线')
    plt.xlabel('得分差值（培训后-培训前）')
    plt.ylabel('密度')
    plt.title('得分差值分布')
    plt.legend()
    
 # 配对线图
    plt.subplot(1, 3, 3)
    employee_ids = range(1, n_employees + 1)
    plt.plot(employee_ids, before_training, 'bo-', alpha=0.6, label='培训前')
    plt.plot(employee_ids, after_training, 'ro-', alpha=0.6, label='培训后')
    
 # 连接配对点
    for i in range(n_employees):
        plt.plot([employee_ids[i], employee_ids[i]], 
                [before_training[i], after_training[i]], 
                'k-', alpha=0.3)
    
    plt.xlabel('员工编号')
    plt.ylabel('绩效得分')
    plt.title('个体变化轨迹')
    plt.legend()
    
    plt.tight_layout()
    plt.show()
    
    return before_training, after_training, differences, t_stat, p_value

# 执行配对样本t检验
before, after, diffs, t_stat_paired, p_val_paired = paired_samples_t_test_demo()

🎯 t检验选择指南

📋 决策流程图

def choose_t_test_type():
    """帮助选择合适的t检验类型"""
    
    decision_tree = {
        "问题1": "你要比较的是什么？",
        "选项1a": "一个样本均值与已知值",
        "结果1a": "→ 使用单样本t检验",
        "选项1b": "两个群体的均值",
        "问题2": "这两个群体是独立的还是相关的？",
        "选项2a": "独立的（不同的人/对象）",
        "结果2a": "→ 使用独立样本t检验",
        "选项2b": "相关的（同一批人的前后对比）",
        "结果2b": "→ 使用配对样本t检验"
    }
    
    print("=== t检验类型选择指南 ===")
    print(f"{decision_tree['问题1']}")
    print(f"  A. {decision_tree['选项1a']} {decision_tree['结果1a']}")
    print(f"  B. {decision_tree['选项1b']}")
    print(f"     {decision_tree['问题2']}")
    print(f"     - {decision_tree['选项2a']} {decision_tree['结果2a']}")
    print(f"     - {decision_tree['选项2b']} {decision_tree['结果2b']}")

choose_t_test_type()

🏢 实际应用场景对照

检验类型	典型场景	例子	Python函数
单样本t检验	样本均值与标准值比较	产品质量是否达标	stats.ttest_1samp()
独立样本t检验	两个独立群体比较	男女收入差异	stats.ttest_ind()
配对样本t检验	同一群体前后比较	药物治疗效果	stats.ttest_rel()

📐 t检验的假设与条件检验

🔍 正态性检验

def check_normality():
    """检验数据的正态性"""
    
 # 生成不同分布的数据
    np.random.seed(42)
    normal_data = np.random.normal(50, 10, 100)
    skewed_data = np.random.exponential(2, 100)
    
    datasets = {
        '正态分布数据': normal_data,
        '偏态分布数据': skewed_data
    }
    
    print("=== 正态性检验 ===")
    
    for name, data in datasets.items():
 # Shapiro-Wilk检验
        shapiro_stat, shapiro_p = stats.shapiro(data)
        
 # Kolmogorov-Smirnov检验
        ks_stat, ks_p = stats.kstest(data, 'norm', args=(np.mean(data), np.std(data, ddof=1)))
        
        print(f"\n{name}:")
        print(f"  Shapiro-Wilk检验: 统计量={shapiro_stat:.4f}, p值={shapiro_p:.4f}")
        print(f"  K-S统计量={ks_stat:.4f}；因正态分布参数由同一样本估计，此处普通K-S p值不用于正态性判断")
        print(f"  Shapiro-Wilk检验结论: {'未拒绝正态性原假设，不代表证明正态性' if shapiro_p > 0.05 else '拒绝正态性原假设'}")
    
 # 可视化
    plt.figure(figsize=(12, 8))
    
    for i, (name, data) in enumerate(datasets.items(), 1):
 # 直方图 + 正态曲线
        plt.subplot(2, 2, i)
        plt.hist(data, bins=20, density=True, alpha=0.7, color='skyblue')
        
 # 拟合正态曲线
        mu, sigma = np.mean(data), np.std(data, ddof=1)
        x = np.linspace(data.min(), data.max(), 100)
        plt.plot(x, stats.norm.pdf(x, mu, sigma), 'r-', linewidth=2, label='理论正态分布')
        plt.title(f'{name}')
        plt.legend()
        
 # Q-Q图
        plt.subplot(2, 2, i+2)
        stats.probplot(data, dist="norm", plot=plt)
        plt.title(f'{name} Q-Q图')
    
    plt.tight_layout()
    plt.show()

check_normality()

⚠️ 使用注意事项与常见误区

🚫 常见错误

def common_mistakes_demo():
    """演示t检验的常见错误"""
    
    print("=== t检验常见错误 ===")
    
 # 错误1：样本量过小
    small_sample = np.random.normal(50, 10, 5)
    print("错误1: 样本量过小")
    print(f"样本量为 {len(small_sample)} 的数据，t检验结果可能不可靠")
    print("建议: 20-30个不是通用最低门槛；小样本在独立性和正态性条件满足时仍可使用t检验，样本量应结合预期效应、变异程度、显著性水平与统计功效确定")
    
 # 错误2：违反独立性假设
    print("\n错误2: 违反独立性假设")
    print("例：用独立样本t检验比较同一批学生的期中期末成绩")
    print("应该用：配对样本t检验")
    
 # 错误3：忽略方差齐性
    print("\n错误3: 忽略方差齐性假设")
    group1 = np.random.normal(50, 5, 30)   # 方差小
    group2 = np.random.normal(50, 20, 30)  # 方差大
    
    levene_stat, levene_p = stats.levene(group1, group2)
    print(f"Levene检验p值={levene_p:.4f}；{'拒绝方差相等原假设' if levene_p < 0.05 else '未拒绝方差相等原假设，不代表证明方差相等'}")
    print("应该使用: equal_var=False 参数")
    
 # 错误4：多重比较
    print("\n错误4: 多重比较问题")
    print("同时进行多个t检验会增加犯第一类错误的概率")
    print("解决方案: Bonferroni校正或其他多重比较方法")

common_mistakes_demo()

💡 最佳实践建议

1. 事前检查：

   • 验证数据分布（正态性）
   • 检查独立性假设
   • 确认样本量足够

2. 选择合适的检验：

   • 根据研究设计选择t检验类型
   • 考虑方差齐性问题
   • 报告效应量

3. 结果解释：

   • 不仅关注p值，还要看实际意义
   • 报告置信区间
   • 考虑统计功效

4. 替代方案：

   • 非正态数据：考虑非参数检验
   • 多组比较：使用方差分析(ANOVA)
   • 小样本：谨慎解释结果

🔗 相关知识

• NumPy数值计算
• NumPy高级操作
• 假设检验流程
• t分布
• 正态分布
• 方差分析（ANOVA）
• 置信区间
• 效应量

#统计学 #t检验 #假设检验 #Python