双样本 t 检验
双样本 t 检验用于比较具有连续响应的两个独立组的均值,例如两台机器、两家供应商或两种工艺设定。各组数据应近似服从正态分布或至少包含 30 个观测值,组间不存在配对,且没有明显的异常值。可选择合并检验(方差相等)或 Welch 检验。输出包括 p 值和均值之差的置信区间。
最后审阅
核心要点
双样本 t 检验用于判断两个独立组(例如两台机器或两家供应商)的均值是否存在显著差异,或观察到的差异是否源于随机变异。
什么是双样本 t 检验?
双样本 t 检验是一种统计方法,用于判断两个独立组的均值之间是否存在显著差异。它比较来自两个独立总体或两种过程条件的平均值,并计算观察到的差异源于偶然而非真实潜在差异的概率。
例如,可以用它比较机器 A 与机器 B 的平均产出,或比较过程变更前后的平均响应时间——前提是两组之间没有任何关联。
简单定义:该检验用于判断两个独立组的平均值是否确实不同,或者所看到的差异是否仅仅源于数据中的随机变异。
何时使用双样本 t 检验?
- 当有 两个独立且互不相关的组 并希望比较其均值时使用——例如两台机器、两家供应商或两种工艺设定。
- 当响应变量为 连续型 时使用——例如测量值、重量、温度或尺寸。
- 当两组是 分别测量 的,各观测值之间没有配对或匹配时使用。
- 当希望判断 过程变更、材料更换或操作差异 是否使平均结果产生了有意义的偏移时使用。
正确使用双样本 t 检验的指南
- 各组数据应 近似服从正态分布,或者各组至少包含 30 个观测值,以便适用中心极限定理。
- 两组必须 相互独立 ——一组中的任何观测值都不应与另一组中的任何观测值相关或配对。
- 在运行检验之前,检查两组的 方差是否相等 ——使用 F 检验或 Levene 检验进行评估,因为这会影响应采用哪种形式的 t 检验。
- 每组收集 足够的样本量 ——建议每组至少 20 到 30 个观测值,以获得可靠的结果。
- 应 在收集数据之前设定显著性水平(alpha)——标准默认值为 0.05,表示在差异实际不存在时得出存在差异结论的风险为 5%。
- 确认数据 不含明显的异常值 ——极端值会扭曲均值,使检验结果偏大或偏小。
替代方法:何时不宜使用双样本 t 检验
- 如果两组数据是 配对或匹配的(例如对同一对象的前后测量),请使用 配对 t 检验
- 如果需要比较 两个以上的组,请使用 单因素方差分析
- 如果目标是证明两组 实际上等价而非存在差异,请使用 双样本等价检验
- 如果数据 严重偏离正态且样本量较小,请改用 Mann-Whitney 检验(一种非参数替代方法)。
- 如果只有 汇总数据(均值、SD、n)而非原始观测值,请使用 双样本 t 检验(汇总数据)
如何进行双样本 t 检验
操作步骤如下:
- 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
- 在首页选择 Statistical Tool> Hypothesis Test >Two sample t test。
- 接下来,手动更新数据,或从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
- 接下来,输入置信水平和假设差值。
- 最后,点击页面底部的 calculate,即可得到所需结果。
双样本 t 检验的工具界面分为两部分。

左侧为数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可以手动输入数据,也可以从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
Load example: 将加载示例数据。
Load File: 用于直接加载 Excel 数据。
右侧提供以下选项:
- Sample 1: 选择包含待比较的 第一组 数据的列——例如来自机器 A、供应商 1 或配方 A 的测量值。这是必填字段,必须包含连续的数值。
- Sample 2: 选择包含 第二组 数据的列——例如来自机器 B、供应商 2 或配方 B 的测量值。这也是必填字段,且必须与 Sample 1 相互独立,即两个数据集的各观测值之间没有配对或匹配。
- Confidence Level: 设置围绕两个均值之差计算的置信区间的置信水平。标准默认值为 95%,表示有 95% 的把握认为两组均值的真实差值落在所显示的区间内。置信水平越高(例如 99%),区间越宽;置信水平越低(例如 90%),区间越窄。
- Hypothesized Difference: 用于检验的对比值——表示两组均值之间预期或假定的差值(Sample 1 均值减去 Sample 2 均值)。将其设为 0 时,检验两个均值是否相等。设为其他任何值时,检验差值是否等于该特定值——例如输入 5,则检验第 1 组的平均值是否恰好比第 2 组多 5 个单位。
- Alternative Hypothesis; 定义检验的方向,即希望证明的两个均值之差的情况。提供以下三个选项:
- Diff ≠ Hypothesized Diff ——双侧检验,检查差值是否不等于假设值(任一方向)。在事先无法预期哪一组更大时使用。
- Diff < Hypothesized Diff ——单侧检验,检查实际差值是否小于假设值。在明确预期 Sample 1 低于 Sample 2 时使用。
- Diff > Hypothesized Diff ——单侧检验,检查实际差值是否大于假设值。在明确预期 Sample 1 高于 Sample 2 时使用。
- Assume Equal Variances: 勾选时,检验假定两组具有相同的总体方差,并使用合并标准差计算检验统计量——在该假定成立时检验功效略高。不勾选时,检验对每组分别估计方差(Welch t 检验),在两组离散程度明显不同时更为可靠。如果不确定,请保持不勾选,这是更安全、更保守的做法。
- Individual Value Plot: 启用后,并排显示两组所有单个数据点的图形。这样可以清楚地查看完整的数据分布、离散程度以及任何异常数值,便于直观判断两组是否存在差异以及是否存在异常值。
- Box Plot: 启用后,为每组显示箱线图,汇总中位数、四分位距和整体离散程度。箱线图便于一目了然地比较两组的中心和变异性,并发现可能影响检验结果的偏斜或异常值。
- Label: 控制在 Individual Value Plot 或 Box Plot 上显示的附加信息。选项包括:
- None ——图上不显示额外标签
- Outliers ——仅突出显示统计上的极端数据点
- Individual Data ——为每个描点添加标签
- All Quartiles ——显示 Q1、中位数和 Q3 的值
- Means ——在图上标出每组的均值
- Data Labels ——显示所绘各点的实际值
- Download as Excel: 将检验结果、汇总统计量、置信区间和 p 值导出到 Excel 文件。便于将结果纳入报告、与同事共享或作为分析的正式记录保存。
常见问题
什么是双样本 t 检验?
双样本 t 检验用于判断两个独立组的均值是否存在显著差异。它比较两个独立总体或两种过程条件(例如机器 A 与机器 B)的平均值,并计算观察到的差异源于偶然而非真实潜在差异的概率。
双样本 t 检验有哪些假设条件?
响应必须是连续型的,两组必须相互独立且不存在配对,各组应近似服从正态分布或至少包含 30 个观测值,以便适用中心极限定理。数据中应不含明显的异常值,建议每组至少 20 到 30 个观测值。
双样本 t 检验是否应假定方差相等?
如果两组方差相同,使用合并标准差可使检验功效略高。如果不同,Welch t 检验对各组分别估计方差,在离散程度不同时更为可靠。可使用 F 检验或 Levene 检验进行检查;如不确定,作为更安全的选择,请保持 Assume Equal Variances 不勾选。
什么情况下不应使用双样本 t 检验?
对于同一对象的配对数据或前后数据,使用配对 t 检验;对于两个以上的组,使用单因素方差分析;要证明两组实际上等价,使用双样本等价检验;数据严重偏离正态且样本量较小时,使用 Mann-Whitney 检验。如果只有汇总数据,请使用汇总数据版本。
