双样本 t 检验(汇总数据)
这一版本的双样本 t 检验基于汇总统计量:输入两个独立组各自的样本量、均值和标准差。当没有原始数据时使用,例如来自已发表的报告或供应商提供的汇总数据。没有原始数据就无法检查正态性。选项包括置信水平、假设差值、备择假设和等方差;输出包括 p 值和置信区间。
最后审阅
核心要点
双样本 t 检验(汇总数据)仅使用每组的样本量、均值和标准差而非原始数据,检验两个独立组的均值是否存在显著差异。
什么是双样本 t 检验(汇总数据)?
双样本 t 检验(汇总数据)执行与标准双样本 t 检验相同的比较——判断两个独立组的均值是否存在显著差异——但不需要原始数据,而是直接根据您手动输入的汇总统计量进行计算:每组的样本量(n)、均值和标准差。
当没有原始数据时,这一方法尤其有价值——例如依据已发表的研究、审核报告、供应商提供的汇总数据,或只保留了汇总统计量的历史记录开展工作时。
简单定义:与双样本 t 检验相同,但适用于只有汇总数字(均值、标准差、样本量)而没有完整原始数据集的情形。
何时使用双样本 t 检验(汇总数据)?
- 当 没有原始数据 但有每组的均值、标准差和样本量时使用。
- 当依据 已发表的报告、外部供应商数据或历史汇总数据 开展工作且未记录单个观测值时使用。
- 当基于所报告的统计量而非收集到的测量值,比较 两个独立组 时使用。
- 当希望对汇总数据 快速验证或交叉核对结论 而无需重建完整数据集时使用。
正确使用双样本 t 检验(汇总数据)的指南
- 核实所输入的汇总统计量 准确且来源可靠 ——输入有误会直接导致错误的检验结论。
- 确保汇总统计量代表 独立、不相关的组 ——该检验假定两个样本之间没有关系。
- 确认 样本量足够 ——即使汇总输入正确,非正态分布的小样本也可能产生不可靠的结果。
- 在运行检验之前设定 alpha ——标准默认值为 0.05。
- 当汇总统计量来自 严重偏态或非正态的总体 时要谨慎——t 检验假定正态性,而没有原始数据就无法验证这一点。
替代方法:何时不宜使用双样本 t 检验(汇总数据)
- 如果有 原始数据,请始终改用标准的 双样本 t 检验 ——它提供更多诊断和假设检查。
- 如果两个样本是 配对或匹配的,请使用 配对 t 检验
- 如果比较 两个以上的组,请使用 单因素方差分析
- 如果目标是确认 等价而非差异,请使用 双样本等价检验
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(Summarized)。
- 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。
- 填写必填选项。
- 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 Sample Size: 输入第一组中的 观测总数 ——例如,如果从配方 A 中测得 40 个测量值,则输入 40。该值用于计算检验的标准误和自由度。样本量越大,结果越可靠、越精确。
- Sample 1 Sample Mean: 输入第一组测量值的 平均值。这是第一组数据分布的中心值,直接用于计算两组之间的差值。
- Sample 1 Standard Deviation: 输入第一组的 标准差 ——表示单个测量值围绕均值的离散程度。标准差越大,组内变异越大,会使置信区间变宽,并降低检验检出差异的灵敏度。
- Sample 2 Sample Size: 输入第二组中的 观测总数。与 Sample 1 一样,该值参与标准误的计算,并影响检验检出两组之间真实差异的精确程度。
- Sample 2 Sample Mean: 输入第二组测量值的 平均值。检验将其与 Sample 1 的均值直接比较,以计算观测到的差值并判断其在统计上是否显著。
- Sample 2 Standard Deviation: 输入第二组的 标准差。该值反映第二组数据的离散程度,并与 Sample 1 的标准差一起用于估计比较的合并变异。
- Confidence Level: 设定两个均值之差的置信区间的置信水平。标准默认值为 95%,表示您有 95% 的把握认为两个总体均值之间的真实差值落在所显示的范围内。将其提高到 99% 会使区间变宽;降低到 90% 则使区间变窄。
- Hypothesized Difference: 您所检验的两个组均值之间的假定或预期差值(Sample 1 均值减去 Sample 2 均值)。将其设为 0 即检验两个均值是否相等。设为任何其他值,则检验实际差值是否等于该特定数值——例如,输入 10 即检验第 1 组的平均值是否恰好比第 2 组多 10 个单位。
- Alternative Hypothesis: 定义检验的方向,以及您想对差值证明什么。有三个选项:
- Diff ≠ Hypothesized Diff —— 双侧检验,检查差值是否在任一方向上不等于假设值。当您事先不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。当您明确预期 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。当您明确预期 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,并使用单一的合并标准差进行计算——在该假定成立时检验功效略高。不勾选时,每组使用各自的方差估计(Welch t 检验),当所输入的两个标准差明显不同时更可靠。如果不确定,请保持不勾选,因为这是更安全、更保守的选择。
- Download as Excel: 将检验结果、汇总统计量、置信区间和 p 值导出为 Excel 文件,用于报告、分享或记录留存。
常见问题
什么是汇总数据的双样本 t 检验?
它执行与标准双样本 t 检验相同的比较,即检验两个独立组的均值是否存在显著差异,但它基于您输入的汇总统计量,即每组的样本量、均值和标准差,而不是原始数据。
何时应使用汇总数据的双样本 t 检验?
当没有原始数据,但有每组的均值、标准差和样本量时使用,例如来自已发表的报告、外部供应商数据或历史汇总数据。它也可用于对汇总数据的结论进行快速交叉核对。如果有原始数据,请使用标准双样本 t 检验。
基于汇总统计量的 t 检验有哪些局限?
t 检验假定正态性,而没有原始数据就无法验证,因此当汇总数据来自严重偏态或非正态的总体时要谨慎。非正态分布的小样本可能给出不可靠的结果,而所输入统计量中的任何错误都会直接导致错误的结论。
标准差如何影响汇总数据的 t 检验?
标准差越大,组内变异越大,会使置信区间变宽,并降低检验对差异的灵敏度。如果两个标准差明显不同,请保持 Assume Equal Variances 不勾选,这样将使用各自的方差估计(Welch t 检验)。
