统计学中T检验

大家好，欢迎来到IT知识分享网。

2 T 检验

T检验是一种统计测试，用于比较两组数据的平均值，以确定它们是否在统计上显著不同。它是最常用的假设检验之一，在各种研究领域都很常见。以下是关于t检验的一些关键点：

1. 目的：t检验的主要目的是确定两个独立样本是否来自具有相同平均值的总体。
2. 类型：
   • 独立样本t检验（又称为两样本t检验）：比较两个独立样本的平均值，例如，比较两个不同治疗组的治疗效果。
   • 配对样本t检验：比较同一组受试者在两种不同条件或时间点的平均值，例如，比较某个治疗前后的效果。
3. 假设：
   • 零假设（H0）：两个样本的平均值没有显著差异。
   • 备择假设（H1）：两个样本的平均值有显著差异。
4. 显著性水平：
   • 在进行t检验时，通常会设定一个显著性水平（如5%，即α=0.05），用于决定是否拒绝零假设。如果t检验的p值小于显著性水平，则认为两个样本的平均值存在统计显著差异。
5. 使用条件：
   • 样本应近似正态分布。
   • 当比较两个独立样本时，它们的方差应相似（这可以通过方差齐性检验来确定）。

在您的情况下，如果您想比较不同完整度的TI值（例如TI40%、TI50%、TI60%）之间是否存在显著差异，可以使用独立样本t检验。这将帮助您确定这些不同抽样完整度对平均TI值的影响是否在统计上显著。

2.1 独立样本 T 检验

独立样本T检验（也被称为两样本T检验）是一种统计方法，用于比较两个独立样本群体的平均值，以确定它们是否在统计学上有显著差异。这种测试适用于两组数据是从不相关的或不同的群体中抽取的情况。以下是独立样本T检验的一些关键特点：

1. 目的：判断两个独立样本的平均值是否有显著差异。例如，比较两种不同教学方法对学生成绩的影响。
2. 假设：
   • 零假设（H0）：两个样本的总体平均值之间没有差异。
   • 备择假设（H1或Ha）：两个样本的总体平均值之间存在差异。
3. 样本要求：
   • 样本应独立，即一个样本中的个体或观测值与另一个样本中的个体或观测值不相关。
   • 每个样本通常应来源于近似正态分布的总体。
   • 两个总体的方差应该相似（这称为方差齐性）。
4. T统计量：这个统计量是根据两个样本的平均值、样本大小和样本标准差计算出来的。
5. P值：T检验会产生一个P值，用于评估观测到的数据在零假设为真时出现的概率。如果P值低于预先设定的显著性水平（通常是0.05或5%），则拒绝零假设，认为两个样本之间的差异在统计上是显著的。

在实际应用中，独立样本T检验常用于医学、心理学、社会科学、生物学等领域的研究，以比较两个独立群体在某些数值变量上的表现差异。例如，比较两种药物的疗效，或比较男女学生在某次考试中的平均分数。

当然，我将提供一个简单的独立样本T检验的例子，包括模拟数据和相应的Python代码来执行这项测试。

2.1.1案例

背景
假设我们正在研究两种不同的教学方法对学生考试成绩的影响。我们有两个独立的样本群体：

• 群体A：采用了传统的教学方法。
• 群体B：采用了一种新的教学方法。

我们的目标是：确定这两种教学方法是否对学生的考试成绩有显著不同的影响。

数据

• 群体A的样本考试成绩（例如，5位学生的成绩）：85, 90, 78, 95, 88
• 群体B的样本考试成绩（同样是5位学生的成绩）：91, 89, 85, 93, 87

假设

• 零假设（H0）：两种教学方法对学生成绩没有显著影响，即两组的平均成绩没有差异。
• 备择假设（H1）：两种教学方法对学生成绩有显著影响，即两组的平均成绩有差异。

Python代码
下面是进行独立样本T检验的Python代码示例：

import scipy.stats as stats # 定义两组数据 scores_A = [85, 90, 78, 95, 88] scores_B = [91, 89, 85, 93, 87] # 执行独立样本T检验 t_stat, p_value = stats.ttest_ind(scores_A, scores_B) # 打印结果 print("T-statistic:", t_stat) print("P-value:", p_value) 

T-statistic: -0.59952 P-value: 0.00677 

0假设成立时，发现了满足备责假设的情况出现了，如果其理论发生概率低于5%，在这么小的概率情况下依然发生，说明备责假设本来就该成立。

如果其理论发生概率高于5%，如58%，在这么高的概率情况下依然发生，其本来就该发生，发生了才是正常的，说明备责假设不成立，0假设成立与否待定。
结果解释

• T-statistic：这个值表示样本间差异的大小。数值越大，差异越显著。
• P-value：这个值表示在零假设成立的情况下，观察到的结果（或更极端结果）出现的概率。如果P-value小于显著性水平（通常是0.05），则我们 拒绝 零假设，认为两个样本之间存在显著差异。
• P-value：决定我们是否可以证明【备责假设】。当我们说“差异不寻常”时，我们的意思是在正常情况下（即如果两个小组真的没有差异的情况下），观察到这种差异的概率很低。换句话说，如果两个小组实际上是相同的（0假设如果成立），那么我们观察到他们之间有明显差异的情况应该很罕见。
  • P-value<5%，表示观察到这种情况理应很罕见，但我们仍然观察到了，说明0假设不成立，我们可以拒绝0假设，证明差异真实存在，此情况说明了备责假设成立。因为此时0假设成立，经计算beic
  • P-value>5%时，这意味着观察到的数据与零假设成立的情况相符合的概率相对较高。在你的例子中，0.58远大于0.05，这表明我们观察到的成绩差异（备责假设）很可能是偶然发生的，没有足够的证据表明两组学生的平均成绩存在统计上的显著差异。因此，我们不能拒绝零假设，也就是说，我们不能断定两种教学方法导致的成绩差异是真实存在的。
  • P-value>5%时（0.58），即0假设成立的前提下，58%的概率观察到备责假设，说明0假设成立时，也很容易（58%的概率）观察到备责假设，此情况说明了无法判断备责假设成立。

请注意，这是一个简化的例子，仅用于说明目的。实际应用中，样本大小通常需要更大，以确保统计结果的有效性和可靠性。

Python代码中，P-value计算结果为0.58意味着什么？
如果独立样本T检验的结果显示P值为0.58，这意味着两组数据（scores_A和scores_B）之间的平均值差异不是统计上显著的。让我解释一下这个结果意味着什么：

1. 解释P值：P值是在零假设（即两组数据的平均值没有差异）为真的情况下，观察到当前数据（或更极端数据）的概率。P值为0.58意味着有58%的概率可以在零假设为真的情况下观察到当前的结果。
2. 关于显著性水平：通常在统计分析中，我们设定一个显著性水平（通常是0.05或5%），用于决定是否拒绝零假设。显著性水平是我们愿意接受的犯错概率，即错误地认为两组数据有显著差异的概率。
3. 结果解释：因为0.58远大于0.05，所以我们没有足够的证据拒绝零假设。换句话说，在统计上，我们没有足够的证据认为这两组数据的平均值有显著差异。这并不意味着两组数据的平均值确实相同，只是我们没有足够的证据证明它们不同。
4. 实际意义：在实际应用中，这意味着基于当前样本数据，我们不能断定使用两种不同教学方法（群体A和群体B）会导致学生考试成绩有显著的差异。这可能是因为真的没有差异，或者是我们的样本数据不足以揭示差异。

综上所述，P值为0.58表明，在统计上，我们不能确定两种教学方法对学生成绩有显著不同的影响。在做出任何结论之前，可能需要更多的数据或考虑其他因素。

当然，我会用简单的话来解释这句话：0.58远大于0.05，所以我们没有足够的证据拒绝零假设

在统计测试中，零假设（H0）是一种假定，通常是指“没有发生变化”或“没有差异”。在你的例子中，零假设就是说两组学生的平均成绩没有显著差异。

P值（概率值）是用来帮助我们决定是否拒绝零假设的工具。它告诉我们在零假设成立的情况下，观察到我们的数据（或更极端的数据）的可能性有多大。

在大多数科学研究中，如果P值小于0.05（即5%），我们认为结果是“统计显著的”，这意味着结果不太可能仅仅由偶然产生。如果P值低于这个阈值，我们就有足够的理由拒绝零假设，认为观察到的效果（或差异）是真实的。

但是，如果P值大于0.05，就像你的例子中的0.58，这意味着观察到的数据与零假设成立的情况相符合的概率相对较高。在你的例子中，0.58远大于0.05，这表明我们观察到的成绩差异很可能是偶然发生的，没有足够的证据表明两组学生的平均成绩存在统计上的显著差异。因此，我们不能拒绝零假设，也就是说，我们不能断定两种教学方法导致的成绩差异是真实存在的。

2.1.2 详细介绍T-statistic和P-value的计