配对样本

配对样本 (Paired Samples)

配对样本（Paired Samples），亦称相依样本（Dependent Samples）或配对数据（Matched Pairs），是统计学中一种重要的数据结构。两组样本数据中的观测值并非相互独立，而是以某种方式一一对应或配对存在——每一对数据来自同一个主体或紧密相关的两个主体。

配对设计的核心目的是在比较两组数据时，控制个体间的异质性所带来的"噪音"，从而更精确地评估处理效应。其分析思路是将两个相关测量值转化为单一差值，再对这些差值进行分析。与配对样本相对的概念是独立样本（Independent Samples），后者指两组观测值之间不存在关联，从完全不同的总体中独立抽取。

配对样本的常见形式

1. 重复测量设计（Repeated Measures Design）：同一研究对象在接受处理前后分别测量。例如，一组患者在服用新降压药前后的收缩压数据——每对是同一患者服药前后的血压值。
2. 匹配对设计（Matched-Pairs Design）：研究者根据混杂变量（年龄、性别、体重等）将受试者两两配对，使每对在关键特征上尽可能相似，然后随机分配至处理组和控制组。例如，按入学成绩和智商配对后，随机指派新/传统教学法。
3. 自然配对（Naturally Occurring Pairs）：研究对象天然成对存在，如同卵双胞胎研究遗传与环境影响，或夫妻研究相互影响。
4. 不同条件下测量：同一个体在两种条件下分别测量，如同一参与者左手和右手的任务完成时间。

配对样本的统计优势

使用配对样本设计的主要优势是提高统计功效和精确度。首先，它能有效控制个体差异——重复测量中，个体不随时间变化的特征（遗传背景、基本健康状况等）的影响被自然抵消，处理效应因而更清晰。其次，通过减少无关变异（即误差方差），配对设计更容易检测真实存在的处理效应：在相同样本量下，配对检验的统计功效高于独立样本检验；反过来说，达到同等功效所需样本量更小。

配对样本t检验

比较两组配对样本的均值是否存在显著差异，最常用的方法是配对样本t检验（Paired Samples t-test）。其本质是先计算每对数据的差值，再对差值进行单样本t检验，判断差值均值是否显著不为零。

假设有 $n$ 个配对，两组测量值分别为 $X_i$ 和 $Y_i$。首先计算差值 $D_i = X_i - Y_i$，然后围绕差值的总体均值 $\mu_D$ 建立假设：

• 零假设 $H_0$: $\mu_D = 0$（两组总体均值无差异）
• 备择假设 $H_a$: $\mu_D \neq 0$（双侧）、$\mu_D > 0$ 或 $\mu_D < 0$（单侧）

t统计量公式为：

其中 $\bar{D}$ 为差值样本均值，$s_D$ 为差值样本标准差，$n$ 为配对数量。该统计量服从自由度 $df = n - 1$ 的t分布。若 $|t|$ 超过显著性水平 $\alpha$ 下的临界值，或p值小于 $\alpha$，则拒绝零假设，认为两组均值存在显著差异。

检验的假设前提：

1. 随机样本：配对样本从总体中随机抽样获得。
2. 正态性：差值 $D_i$ 的总体服从正态分布。小样本（$n < 30$）时此假设尤为重要；大样本下依中心极限定理，t检验具有稳健性。若正态性严重违背，应使用威尔科克森符号秩检验。
3. 配对独立性：不同配对的差值相互独立。

与独立样本t检验的对比

错误地将配对数据当作独立样本分析，会忽略数据内在关联，高估误差变异，降低统计功效，可能漏掉本应显著的差异。反之，将独立样本当作配对样本分析在逻辑上不可行。正确识别数据结构是选择恰当方法的第一步。