单样本t检验

单样本t检验 (One-Sample t-Test)

单样本t检验 (One-Sample t-Test) 是推断统计学中一种基础的假设检验方法，用于判断一个总体的均值（$\mu$）是否与某个给定的假设值（$\mu_0$）存在统计显著性差异。该检验由统计学家威廉·戈塞（William Sealy Gosset）以笔名"Student"发表，使用t统计量作为检验统计量，其抽样分布遵循t分布。区别于z检验，t检验的核心前提是总体标准差（$\sigma$）未知，需用样本标准差（$s$）估计。其基本逻辑为：将样本均值与假设值的差异除以均值标准误，标准化后衡量这一差距究竟源于抽样随机性还是反映本质差异。

假设体系与检验步骤

假设检验从两个对立假设出发：原假设 $H_0: \mu = \mu_0$，即总体均值等于假设值；备择假设 $H_1$ 依据研究问题分为三种——双尾检验（$\mu \neq \mu_0$）、右尾检验（$\mu > \mu_0$）与左尾检验（$\mu < \mu_0$）。

t统计量的计算公式为：

其中 $\bar{x}$ 为样本均值，$s$ 为样本标准差，$n$ 为样本量，分母 $s / \sqrt{n}$ 为估计的均值标准误。t值可直观理解为：样本与假设的偏离是抽样误差的倍数。

决策规则有两种等价方法：（1）临界值法：依据自由度 $df = n - 1$ 与显著性水平 $\alpha$ 查t分布表得临界值，若 $|t|$ 超过临界值则拒绝 $H_0$；（2）p值法：计算在原假设成立时观察到当前或更极端结果的概率，若 $p \leq \alpha$ 则拒绝 $H_0$，此法在现代统计实践中更为常用。若拒绝 $H_0$，结论为有充分证据表明总体均值与 $\mu_0$ 存在显著差异；若未拒绝，则证据不足以推翻原假设，但这不等同于证明 $H_0$ 为真。

假设条件与稳健性

t检验的有效性依赖以下条件：（1）数据来自简单随机抽样；（2）各观测值满足独立性；（3）总体服从正态分布——然而根据中心极限定理，当 $n > 30$ 时t检验对非正态性具有较强鲁棒性，小样本则需借助Q-Q图或夏皮罗-威尔克检验验证正态性；（4）变量为连续或区间/比率尺度。

与置信区间的对偶关系

单样本t检验与置信区间存在紧密的对偶性。总体均值 $\mu$ 的 $(1-\alpha) \times 100\%$ 置信区间为：

在双尾检验中，若 $\mu_0$ 落在此区间外，则可拒绝 $H_0$；若落在区间内，则无法拒绝。置信区间不仅可执行假设检验，还提供了总体均值可能范围的更丰富信息，比单纯的"拒绝/不拒绝"二元结论更具实际解释力。

典型应用场景

单样本t检验广泛应用于各领域：（1）质量控制：检验产品批次均值是否符合标称规格；（2）生物医学：验证药物疗效是否与宣称的效应量一致；（3）金融学：判断投资组合的收益率是否显著偏离基准；（4）教育学：比较某校学生平均分与全国常模的差异。这些场景的共同结构是：存在一个已知的参考值，需基于样本数据判断总体参数是否与之偏离。