配对样本 t 检验计算器 - 前后数据

配对样本 t 检验（也称为依赖样本 t 检验或配对 t 检验）是一种参数统计方法，用于判断两组相关测量之间的平均差是否显著不同于 0（或其他假设值）。之所以称为“配对”，是因为第 1 组中的每个观测值都与第 2 组中的恰好一个观测值对应——两次测量来自同一受试者、匹配的参与者，或同一地点在两个不同时点的测量。 最常见的应用是前后对比研究：研究者在干预前测量某个指标（血压、考试成绩、体重、销售额），然后在干预后再次测量。由于同一批个体被测量了两次，两组并非独立，而是相关的。如果忽略这种相关性并使用独立样本 t 检验，就会出错；因为没有考虑到个体间的自然差异，而这种差异在计算差值时会相互抵消，从而低估比较的精度。 配对 t 检验之所以优雅，在于它把问题化简为单样本问题。对于每一对 i，计算差值 d_i = 第 1 组_i − 第 2 组_i。随后配对 t 检验要问的是：这些差值的均值（d̄）是否显著不同于 0？这样就把双样本问题转化为对差值进行的单样本 t 检验。检验统计量为 t = (d̄ − μ₀) / (s_d / √n)，其中 μ₀ 是假设的均值差（通常为 0），s_d 是差值的样本标准差，n 是配对数量。在零假设成立时，该统计量服从自由度 df = n − 1 的 Student t 分布。 这个 t 统计量对应的 p 值告诉你：如果总体真实均值差为 μ₀，观察到像 d̄ 这样大（或更大）的均值差的概率有多高。如果 p 值低于你选择的显著性水平 α，就拒绝原假设，并得出两组配对测量之间存在统计显著均值差的结论。d̄ 的置信区间给出了真实均值差可能落入的范围，通常比单独的 p 值更有信息量。 为了使配对 t 检验有效，差值 d_i 必须近似服从正态分布。这个假设可以通过查看差值的直方图或正态 Q-Q 图来检查。当 n ≥ 30 时，即使单个差值并不完全正态，中心极限定理也会使这一假设更稳健。对于样本较小且差值明显不服从正态的情况，Wilcoxon 符号秩检验是相应的非参数替代方法。 常见应用包括医疗疗效试验（用药前后）、教育研究（前测与后测）、营养与健身研究（基线与随访测量）以及商业分析（广告活动前后的销售额）。在每一种情况下，关键要求都是每一对数值必须来自同一个个体、实体或匹配单位，而不是来自两个独立群体。