配对t检验

配对t检验 (Paired t-test)

配对t检验（Paired t-test），也称配对样本t检验或相关样本t检验，是参数检验中用于比较同一对象在两种条件下（或两两匹配对象在两种处理下）的均值差异的经典假设检验方法。广泛应用于"前测-后测"、重复测量和配对设计等场景。配对t检验的关键思想是：不直接比较两组原始观测值，而是把每一对观测转化为一个差值，将问题化为对差值总体均值是否为某个值（通常为0）的检验——本质上等价于对差值序列做单样本t检验。

适用情境与数据模型

设有$n$对观测$(X_{i,1}, X_{i,2})$，其中$i=1,2,\ldots,n$。适用情境包括：同一对象两次测量（如同一名学生培训前后成绩、同一患者用药前后指标），匹配对象一一对应（如按年龄与性别匹配的病例-对照对），以及自然配对（如双胞胎研究）。核心要求是每一对观测之间存在自然的对应关系，且不同的对之间彼此独立（独立性）。

定义差值变量$D_i = X_{i,1} - X_{i,2}$。双侧检验为$H_0: \mu_D = 0$对$H_1: \mu_D \neq 0$，单侧检验为$H_1: \mu_D > 0$或$H_1: \mu_D < 0$，其中$\mu_D$是差值总体的期望。若需检验是否为非零基准，可设定$H_0: \mu_D = \mu_{D,0}$。

检验统计量与假设

差值样本的样本均值和标准差分别为$\bar{D} = (1/n)\sum D_i$和$s_D = \sqrt{(1/(n-1))\sum(D_i - \bar{D})^2}$。配对t检验统计量为：

在关键假设满足时，$t$服从自由度为$n-1$的t分布——$t \sim t_{n-1}$。据此可计算p值并与显著性水平$\alpha$比较，做出拒绝或不拒绝$H_0$的决策。

关键假设包括。独立性：不同对之间的差值$D_i$相互独立——这是最核心的假设，随机抽样和合理的实验设计是实现独立性的前提。正态性：差值$D_i$来自近似正态分布的总体——当样本量$n$较小时（如$n < 30$）需关注正态性，可通过QQ图或Shapiro-Wilk检验检查；当$n$足够大时，根据中心极限定理，即使数据偏离正态，t检验方法仍具有稳健性。连续性：差值应为连续测量值，但实践中近似连续的离散数据也可接受。

与其他方法的比较

与两独立样本t检验相比，配对t检验通常具有更高的统计功效——这是因为它控制了配对之间的个体差异这种变异性来源，使分析聚焦于处理效应本身。在实验设计中若能够实现有意义的配对，相比完全随机设计能以更小样本量达到相同的检验效力。

若正态性假设严重不满足，可考虑非参数替代方法：Wilcoxon符号秩检验不需要正态假定，仅基于差值的符号和大小排名进行推断，是配对t检验最常用的非参数替代。在重复测量设计中有两个以上时间点时，需扩展到重复测量方差分析或有随机效应的混合效应模型。配对t检验以其简洁性和统计效力优势，在医学、心理学、教育学和经济学等领域的比较研究中占据基础工具地位。