T-test 关于差异的信心

t-test 是统计中非常常用的一种检验手段， 它一般用来判断两组数据是否真的有差异。 在现实中，我们经常要对2组数据的某个指标进行比较， 比如2个种小麦的蛋白质含量， 或者2个学校的学生的收入。 当我们想知道那一组数据“更好” 的时候， 我们往往面临如下困难。

1. 无法获得全量数据， 比如每种小麦所有的的麦子， 或者2所学校所有学生的收入。这时， 我们只能做抽样调查，比如从每种小麦中取 30个样本， 或者调查每个学校 20名毕业生的收入。

2. 什么叫“好” ？ 一般我们用均值来作为整体数据的一个代表， 比如每种小麦30个样品的平均蛋白质含量， 或者每个学校20名毕业生样本的平均工资。 有了平均值作为单一指标， 我们就可以轻松的对两个样本进行比较了。

但是， 这样的比较有个问题： 由于样本相较于总体， 只是非常小的一部分， 甚至比例小到可以忽略， 那么用那么一点点样本的数据代替整体，是否科学？ 任何事情都有巧合， 如果选择的样本恰巧比较偏， 那么得出的结论就会出错。 那么如何判断比较的结果是否有效呢？ 从直觉上，我们可以判断：

1. 两组样本均值差距越大， 我们就越有信心宣布二者不同。
2. 每组样本方差越小（变化范围小）， 我们就越有信心宣布二者不同。
3. 每组样本包含的样本数量越多， 我们就越有信心宣布二者不同 （1000个样本的结果要比 10个样本得出的结果有说服力）。

T-test 就是这样一个指标， 它代表： 对差异的信心的量化 t-value 越大， 说明对找到的差异越有信心。

常用的 T-value 有：

1. 独立t-value

在这种t-test 中， 两组数据满足如下条件

• 两组变量相互独立
• 两组变量都符合正态分布
• 两组变量方差相等

如果两组数据样本大致相等（相差不超过一倍）可以用如下公式求 t-value

image.png

其中

X bar [简书Latex bug 打不出来] ： 是两个样本的均值
： 是两个样本的方差

n 是两个样本的的样本数量， 这里假设两个相同， 如果不同的话， 要对应除以 样本2 同理。

自由度(freedom) : 这个值在之后的查表操作中有用。

如果两组样本数量相差较大（多于一倍）， 那么其他的公式来计算对应 t-value 和自由度， 这种情况比较少见， 这里不展开讨论， 可以参考这里。

2. 非独立t-value (配对T-value)

2组样本不是互相独立的， 一般使用场景是同样的个体， 在不同时期的表现。 比如同一地块的小麦， 在使用不同化肥以后的产量。 之所以又叫 配对 T-value ，因为这种实验往往样本是一一对应的。 比如， 如果比较某种化肥的效果， 可以在2年， 10个地块上做实验， 比较的时候， 也是用 地块1 在第一年的产量， 对比地块1在第二年的产量， 以此类推。

求 T-value:

image.png

其中

• 是两组数据对应样本值相减， 得到的数组的均值
• 和 Null 假设有关， 如果是比较两组样本是否有差异，一般取0
• 是两组数据对应样本值相减， 得到的数组的标准差
• 其中一个样本组的样本含量， 因为是配对的， 所以两个样本组样本数量肯定是一样的。

自由度(freedom) :

T-test

知道了 T-value 和自由度以后， 就可以查表找到对应不同 p-value 的 标准T-value了， 如果计算出来的T-test 大于 标准T-value， 那么就拒绝 Null假设， 证明找到的差异是统计显著的， 否则就不能拒绝原假设， 不能排除找到的差异来自于巧合。

单边检测 与 双边检测

• 双边检测：如果是比较两个样本是否不同， 就是双边检测
• 单边检测：如果是比较一个样本是否大于，或者小于另外一个样本，就是单边检测

注意： 使用单边检测的时候， 其实是带入了额外的信息， 说明使用者已经明确的知道了其中一个会比较大。单边检测会比双边检测更容易“成功”的检测到差异，所以一定要小心使用，尤其不能等看到结果以后，把双边检测又改成单边检测。

其他计算方式

如果熟悉 R 语言的话， 用 t.test 计算会很方便
也有方便的在线计算工具 T - test

---

参考资料

1. Matched or Paired Samples T-Test - Hypothesis Testing

2. StatsCast: What is a t-test?

3. t-test