t分布近似

t分布近似（t-Distribution Approximation）指用其他已知分布（尤其是正态分布）来近似t分布的概率密度函数、累积分布函数或分位数的做法。t分布（Student's t分布）由威廉·戈塞特（William Gosset）于1908年以"Student"笔名提出，在小样本统计推断中扮演核心角色。当自由度 $v$ 较小时，t分布与标准正态分布差异显著；随着 $v \to \infty$，t分布趋近于标准正态分布。实际应用中常利用这一特性或更精确的校正公式简化计算，尤其在计算资源有限的场景下。

1. 大自由度近似：正态逼近

1.1 理论基础

设 $X \sim t(v)$，即 $X$ 服从自由度为 $v$ 的t分布。其概率密度函数为：

当 $v \to \infty$ 时，$\left(1 + x^2/v\right)^{-(v+1)/2} \to e^{-x^2/2}$，且归一化常数趋于 $1/\sqrt{2\pi}$，故t分布依分布收敛于标准正态分布 $N(0,1)$。这一结论是中心极限定理的直接推论：t统计量 $T = \bar{X}/(S/\sqrt{n})$ 在大样本下近似服从正态分布。

1.2 收敛速度

t分布向正态分布的收敛速度由自由度 $v$ 控制。当 $v \geq 30$ 时，两者的累积分布函数之差通常在 $0.01$ 以内，实践中常以此作为"可用正态近似代替t分布"的经验阈值。然而，在尾部区域（如 $|x| > 3$），t分布比正态分布更厚，这一差异在 $v$ 较小时尤为显著。具体而言，t分布的第 $p$ 分位数 $t_{p,v}$ 与标准正态分位数 $z_p$ 满足不等式 $t_{p,v} > z_p$（对 $p > 0.5$），且差值随 $v$ 增大而单调递减至零。这意味着若在 $v$ 较小时贸然使用正态近似计算置信区间，会导致区间过窄、名义覆盖概率低于实际覆盖概率，从而产生过于乐观的推断结论。

1.3 实用准则

在传统的统计教科书中，当 $v \geq 30$ 时推荐使用 $z$ 分数代替 $t$ 分数；当 $v \geq 100$ 时，两者之间的差异已可忽略不计。但在现代高维统计和多重比较校正的背景下，即便 $v$ 很大，若涉及极端的尾部概率（如 Bonferroni 校正后的 $p$ 值阈值），仍建议使用精确的 t 分布而非正态近似，因为尾部差异在极低概率水平下会被放大。

2. 小自由度近似：渐进展开与校正公式

2.1 科内什-费希尔展开

对于自由度较小的情形（如 $v < 30$），直接使用正态近似误差较大，需要更精确的校正公式。科内什-费希尔展开（Cornish-Fisher Expansion）提供了一种将标准正态分位数 $z_p$ 变换为t分布分位数 $t_{p,v}$ 的近似方法。其前几项为：

这一展开基于埃尔米特多项式对分布函数的反函数进行级数逼近，精度随展开阶数提高而迅速改善。当 $v \geq 5$ 时，仅取前两项（即第一阶校正）即可将近似误差控制在 $0.01$ 以内。

2.2 皮尔逊近似

另一种常见的小自由度近似是采用皮尔逊曲线族（Pearson Distribution System）中的第VII型曲线拟合t分布。皮尔逊第VII型分布的密度函数具有与t分布完全相同的形式——实际上，t分布本身就是皮尔逊第VII型分布的一个特例。因此，当需要通过矩匹配方法近似非标准t分布（如非中心t分布）时，皮尔逊系统提供了一种系统化的参数化逼近途径：通过匹配前四阶矩（均值、方差、偏度与峰度），可以唯一确定一条皮尔逊曲线，进而得到该分布的近似分位数和概率值。

2.3 对数似然比近似

在贝叶斯统计中，t分布常作为厚尾误差模型出现。当进行贝叶斯模型比较时，t分布的对数边际似然通常可通过拉普拉斯近似（Laplace Approximation）简化：将积分核在众数处做二阶泰勒展开，将问题转化为正态积分。对于小自由度t分布，其对数密度在远离众数处的衰减速度仅为对数线性（而非二次），这使得拉普拉斯近似的误差在尾部比在中心区域更大。对此，一种改进策略是在对数尺度上进行拉普拉斯近似，或采用集成嵌套拉普拉斯近似（INLA）方法。

3. 非中心t分布的近似

3.1 定义与挑战

非中心t分布（Noncentral t-Distribution）是t分布在零假设不成立时的推广形式。设 $Z \sim N(\delta, 1)$ 且 $U \sim \chi^2(v)$ 相互独立，则 $T = Z / \sqrt{U/v}$ 服从自由度为 $v$、非中心参数为 $\delta$ 的非中心t分布。非中心t分布在功效分析（Power Analysis）和统计检测中至关重要，但其累积分布函数不存在闭合形式，必须借助数值积分或近似公式计算。

3.2 经验近似公式

对非中心t分布最常见的近似方法有两类。其一是将非中心t分布视为偏移的正态分布，即 $T \approx N(\delta\sqrt{v/(v-2)}, v/(v-2))$，这一近似在 $\delta$ 较小且 $v$ 较大时精度尚可；其二是利用阿贝尔（Abel）变换和贝塞尔函数展开的级数近似，精度更高但计算量略大。在统计软件（如 R 中的 \texttt{pt()} 函数和 Python 中 \texttt{scipy.stats.nct}）广泛普及之前，这些近似公式是功效表编制的数学基础。

4. 历史背景与应用意义

t分布近似的研究史几乎是现代计算统计学发展的缩影。在20世纪初，戈塞特仅能借助有限的手算表格进行小样本推断；20世纪中叶，皮尔逊和费希尔等人发展出各种近似公式，使研究者能在不借助计算机的情况下完成统计检验；到20世纪后期，数值积分和快速算法的成熟使精确计算成为常态。尽管如此，t分布近似在现代数据分析中仍有不可替代的价值：在大型数据集的高频更新场景下，使用标准正态近似配合科内什-费希尔校正比重新计算精确t统计量更为高效；在深度学习中的Batch Normalization等算法中，小样本方差估计的t分布近似也为梯度估计的偏差校正提供了理论依据。

5. 延伸阅读

关于t分布向正态分布的收敛速率，可参考菲勒（Feller, 1968）的《概率论及其应用》第二卷中关于t统计量渐近分布的内容。科内什-费希尔展开的严格推导见科内什和费希尔（Cornish \& Fisher, 1937）的原始论文。非中心t分布的近似公式的综述可参见约翰逊和科茨（Johnson \& Kotz, 1970）的《连续单变量分布》第二卷。中文文献中，陈希孺（2000）的《数理统计学教程》对t分布的正态近似与小样本校正有清晰讨论。