KNOWECON WIKI

ARTICLE

t-test

t检验 (t-test) t检验是推断统计学中最常用的方法之一，用于检验一个或两个总体的均值是否与某个特定值存在显著差异。该方法由 William Sealy Gosset 于 1908 年以笔名 "Student" 发表，故亦称 Student's t检验。Gosset 在 Guinness 啤酒厂工作期间，面对小样本质量控制的实际需求，发现当总体方差未知

浏览 3 更新 2026-05-25

t检验 (t-test)

t检验是推断统计学中最常用的方法之一，用于检验一个或两个总体的均值是否与某个特定值存在显著差异。该方法由 William Sealy Gosset 于 1908 年以笔名 "Student" 发表，故亦称 Student's t检验。Gosset 在 Guinness 啤酒厂工作期间，面对小样本质量控制的实际需求，发现当总体方差未知时，用样本标准差替代总体标准差后的统计量不再服从正态分布，而是服从一种新的分布——t分布。这一发现奠定了小样本统计推断的理论基础。

t检验的核心逻辑与假设检验的一般框架一致：设定零假设 H0 H_0 （通常为"均值等于某值"或"两组均值无差异"），计算检验统计量，根据其抽样分布判断数据的极端程度，最终决定是否拒绝 H0 H_0 。t检验与 z 检验的根本区别在于：当总体方差 σ2 \sigma^2 未知且用样本方差 s2 s^2 估计时，检验统计量不再服从标准正态分布，而是服从自由度为 n−1 n-1 的 t 分布——其尾部比正态分布更厚，反映了方差估计带来的额外不确定性。当样本量足够大时，t 分布收敛于正态分布，t 检验与 z 检验等价。

t分布

t分布是 t 检验的数学基础。若 Z∼N(0,1) Z \sim \mathcal{N}(0,1) 且 V∼χν2 V \sim \chi^2_\nu 相互独立，则随机变量

T=ZV/νT = \frac{Z}{\sqrt{V / \nu}}

服从自由度为 ν \nu 的 t 分布，记为 T∼tν T \sim t_\nu 。

t 分布关于零对称，形状由自由度 ν \nu 唯一决定：ν \nu 较小时尾部较厚，适合小样本推断；ν→∞ \nu \to \infty 时趋近于 N(0,1) \mathcal{N}(0,1) 。一般而言，当 ν≥30 \nu \geq 30 时 t 分布与正态分布已十分接近。在 t 检验中，自由度通常为 n−1 n-1 （单样本）或 n1+n2−2 n_1 + n_2 - 2 （双样本等方差情形），反映了用于估计方差的独立信息量。

单样本t检验

单样本 t 检验用于检验单个总体的均值是否等于某个指定的常数 μ0 \mu_0 ：

H0:μ=μ0vsH1:μ≠μ0  (或单侧)H_0: \mu = \mu_0 \quad \text{vs} \quad H_1: \mu \neq \mu_0 \;(\text{或单侧})

检验统计量为：

t=Xˉ−μ0s/nt = \frac{\bar{X} - \mu_0}{s / \sqrt{n}}

其中 Xˉ \bar{X} 为样本均值，s s 为样本标准差，n n 为样本容量。在 H0 H_0 下，该统计量服从  tn−1 \,t_{n-1} 分布。

假设条件：(1) 数据来自正态总体或样本量足够大（由中心极限定理保证）；(2) 观测值相互独立。若正态性严重违背（如重尾分布或离群值），小样本下的 t 检验不可靠，可考虑Wilcoxon符号秩检验等非参数替代。

实例：某工厂声称其生产的零件平均长度为 10 mm，质检员随机抽取 16 个零件，测得 xˉ=10.3 \bar{x} = 10.3 mm，s=0.4 s = 0.4 mm。t=(10.3−10)/(0.4/4)=3.0 t = (10.3 - 10) / (0.4 / 4) = 3.0 ，查 t15 t_{15} 表，双尾 p 值约 0.009，小于 0.01，拒绝零假设——有充分证据表明零件平均长度偏离 10 mm。

独立双样本t检验

独立双样本 t 检验比较两个独立总体的均值是否相等。根据两总体方差是否相等，有两种常用形式。

等方差t检验 (Student's t-test)

假设两总体方差相等（σ12=σ22=σ2 \sigma_1^2 = \sigma_2^2 = \sigma^2 ），检验统计量为：

t=Xˉ1−Xˉ2sp1n1+1n2t = \frac{\bar{X}_1 - \bar{X}_2}{s_p \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}}

其中 sp2=(n1−1)s12+(n2−1)s22n1+n2−2 s_p^2 = \frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1 + n_2 - 2} 为合并方差估计 (pooled variance)。该统计量在 H0 H_0 下服从 tn1+n2−2 t_{n_1 + n_2 - 2} 分布。等方差假设可通过Levene检验或F检验先行验证——若该假设被拒绝，应改用 Welch t 检验。

Welch t检验 (Welch's t-test)

当两总体方差不等时，Welch (1947) 提出不需等方差假设的近似 t 检验：

t=Xˉ1−Xˉ2s12n1+s22n2t = \frac{\bar{X}_1 - \bar{X}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}

其自由度由 Satterthwaite 近似给出：

ν≈(s12n1+s22n2)2(s12/n1)2n1−1+(s22/n2)2n2−1\nu \approx \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{(s_1^2/n_1)^2}{n_1-1} + \frac{(s_2^2/n_2)^2}{n_2-1}}

该自由度通常不是整数，且满足 min⁡(n1−1,n2−1)≤ν≤n1+n2−2 \min(n_1-1, n_2-1) \leq \nu \leq n_1 + n_2 - 2 。Welch t 检验在异方差情形下更稳健，是现代统计软件（如 R 的 \texttt{t.test()}）的默认双样本 t 检验方法。

配对t检验

当两组数据存在自然配对关系时——如同一受试者在处理前后的测量值、配对设计的实验数据、或双胞胎研究——应使用配对 t 检验而非独立样本 t 检验，因为配对设计可以消除个体间差异，提高检验功效。

计算每对数据的差值 Di=X1i−X2i D_i = X_{1i} - X_{2i} ，问题转化为对差值均值 μD \mu_D 的单样本 t 检验：

t=DˉsD/n∼tn−1t = \frac{\bar{D}}{s_D / \sqrt{n}} \sim t_{n-1}

其中 Dˉ \bar{D} 和 sD s_D 为差值的样本均值和标准差。H0:μD=0 H_0: \mu_D = 0 表示处理无效果。

关键点：只要配对是合理的，配对 t 检验几乎总是比独立样本 t 检验具有更高的统计功效。但若使用了错误的检验（对配对数据使用独立样本 t 检验），会因忽略个体间变异而导致标准误被高估、功效降低。

t检验与线性回归

t 检验与线性回归中的系数显著性检验本质上是同一框架的不同表现。在回归模型 Y=β0+β1X+ε Y = \beta_0 + \beta_1 X + \varepsilon 中，检验 H0:β1=0 H_0: \beta_1 = 0 的t统计量等价于在 X X 的两个水平上比较 Y Y 均值的双样本 t 检验。更一般地，在多元回归中对 βj=0 \beta_j = 0 的检验可视为控制了其他变量后的"偏"均值比较。

回归框架下的 t 检验具有额外优势：可直接纳入控制变量、处理异方差（通过稳健标准误），以及检验非线性约束。

注意事项与局限性

  1. 正态性假设：t 检验假设数据来自正态分布。但在大样本（n≥30 n \geq 30 ）下，中心极限定理使 t 检验对非正态性较为稳健。小样本且严重偏态时，应考虑Mann-Whitney U检验或Bootstrap方法。
  2. 效应量：统计显著不等于实际显著。应同时报告效应量，如Cohen's d：d=(Xˉ1−Xˉ2)/sp d = (\bar{X}_1 - \bar{X}_2) / s_p 。Cohen 的参考标准：d=0.2 d = 0.2 （小）、0.5 0.5 （中）、0.8 0.8 （大）。
  3. 多重比较：同时进行多个 t 检验时，总体第 I 类错误率膨胀。例如，三组两两比较共需 3 次 t 检验，若每次 α=0.05 \alpha = 0.05 ，整体错误率远超 5\%。应使用Bonferroni校正、Tukey HSD 或 ANOVA 加事后检验等方法来控制族错误率。
  4. 单尾 vs 双尾：双尾检验更保守且为默认选择。仅在研究假设有明确方向且预先注册时才使用单尾检验，否则有 p-hacking 嫌疑。
  5. 样本量：样本量过小导致检验功效不足，无法检测真实存在的效应（第 II 类错误）。统计功效分析应在实验设计阶段完成，以确定必要样本量。

小结

t检验是统计推断的入门工具，看似简单，却是计量经济学中OLS回归系数检验的逻辑基础。William Gosset 百年前在啤酒厂地下室做出的发现，至今仍在实验室、临床研究和经济实证中保持核心地位。掌握 t 检验的关键不在于记忆公式，而在于理解每个变体（单样本、独立样本、配对样本）的适用场景，以及正态性、同方差性等前提假设被违背时的应对方案。