跳转到内容

t检验

来自VeritasWiki 真理百科

t检验(t-test)是一类用于判断均值差异是否显著的统计检验,特别适用于总体标准差未知、样本量较小的情况。它的基本思路是:用样本均值之差除以这差异的标准误,得到一个标准化后的比值,再依据 t 分布判断这个比值在“两组没有差别”的假设下是否罕见。t 检验形式简单、解释直接,是心理学实验与临床研究中最常用的推断工具之一,也常被当作统计学入门的第一课。它由20世纪初一位化名“学生”的酿酒师提出,其背后的小样本理论后来由费希尔等人完善,成为现代统计推断的基石之一。

戈塞特与小样本问题

t 检验的诞生,源于一个非常实际的困境。20世纪初,威廉·西利·戈塞特(William Sealy Gosset,1876—1937)在都柏林的一家啤酒厂担任酿酒化学师,需要从少量样品中判断原料或工艺的改变是否真的影响了成品质量。当时可用的方法依赖大样本,并以总体标准差已知为前提;而工厂里的样品往往只有几个,总体标准差也无从知晓,若用样本标准差代替,再套用正态分布,得到的判断就会失真。戈塞特通过大量模拟发现,小样本下均值比值的分布比正态分布更“胖”,尾部更厚,于是他推导出一种新的分布来刻画这种情形。

由于雇主不允许员工以真名发表研究成果,戈塞特在1908年以“学生”(Student)为笔名,把这一成果发表在《生物统计》上,这种分布因此被称为学生 t 分布,检验也被称为学生 t 检验。此后费希尔从数学上完善了这套理论,把它纳入更一般的推断框架,t 检验才得以广泛应用。这段历史常被用来说明:统计方法往往不是从抽象的公理推演出来,而是被具体的数据困境逼出来的。[1]

统计量与 t 分布

t 检验的核心是一个比值:分子是样本均值与假设值(或两组均值)之间的差,分母是这差异的标准误。所谓标准误,是样本均值在反复抽样中波动的标准差,它随样本量的增大而缩小,也随数据离散程度的增大而增大。把差异除以标准误,就得到一个不依赖原始单位的量,它回答的是:观察到的差异相当于多少个“抽样波动”。

这个比值的分布就是 t 分布。与正态分布相比,t 分布的形态取决于自由度,自由度越小,尾部越厚,意味着在样本很少时,观察到较大比值并不那么罕见,判断需要更保守;自由度增大时,t 分布逐渐逼近正态分布,这也解释了为什么大样本下 t 检验与 z 检验的结果相近。用样本标准差估计总体标准差,本身引入了额外的不确定性,t 分布较厚的尾部正是对这种不确定性的补偿。理解这一点,才能明白为什么小样本必须用 t 而不是直接套正态。

三种常见形式

t 检验通常以三种形式出现。单样本 t 检验把一组数据的均值与某个已知的理论值相比较,例如检验某班级平均分是否偏离全国常模。独立样本 t 检验比较两个互不相关组的均值,例如实验组与对照组,其前提是两组观测彼此独立。配对样本 t 检验则用于同一批被试在两种条件下的重复测量,例如干预前后、左右手、两种材料,它先算出每对被试的差值,再对这些差值做单样本检验,因而能消除个体间差异带来的干扰,往往比独立样本检验更灵敏。

三种形式的选择,取决于研究设计而非数据本身。把配对数据误当作独立样本,会损失检验力;把独立样本硬凑成配对,则会引入虚假的关联。独立样本检验还涉及方差是否相等的假设:传统做法假定两组方差相等并合并估计,若方差不齐,则应改用不合并方差的韦尔奇校正,后者在现代统计软件中常被设为默认。这一细节看似技术性,实则直接影响结论,尤其当两组样本量悬殊时。

假定与稳健性

t 检验的经典形式建立在一组假定之上:观测相互独立、数据近似正态分布,独立样本检验还要求两组方差齐性。独立性最为关键,一旦观测之间存在关联,例如同一班级、同一家庭、同一被试的多次测量,标准误就会被低估,检验结果偏于乐观。正态性在小样本下较为重要,因为此时无法借助中心极限定理;样本较大时,均值的抽样分布趋于正态,即使原始数据略偏,t 检验仍大体可靠。

关于稳健性的研究表明,t 检验对轻度违反正态性并不敏感,尤其在双侧检验、样本量中等时;真正棘手的是方差齐性与极端值的联合作用。当两组样本量不等且方差不齐时,传统 t 检验的第一类错误率可能明显偏离名义水平,韦尔奇校正正是为此而设。若数据严重偏态或存在难以处理的离群值,改用基于秩的非参数检验,如曼—惠特尼 U 检验或威尔科克森符号秩检验,往往更为稳妥,代价是当正态假定成立时损失一部分检验力。[2]

多重比较与常见误用

t 检验最普遍的误用,是在三个及以上组之间反复做两两比较。每做一次检验,就有一定概率犯第一类错误;比较次数越多,至少犯一次错误的概率越高,最终的结论便不再可信。正确的做法是先做方差分析作总体检验,再在必要时进行控制错误率的事后比较。另一个常见问题是忽视效应量:p 值小只说明差异不太可能由偶然造成,却不说明差异有多大、是否有实际意义。报告科恩 d 之类的效应量,才能让读者判断结论的分量。

此外还有一些细节值得注意。单侧与双侧检验的选择必须在看数据之前确定,事后依结果改为单侧,等于变相放宽标准;把“不显著”直接解读为“没有差异”,是把“证据不足”误当成“证据表明无效应”;样本量过小时,即使真实存在中等效应,检验也可能无力发现,这时的阴性结果不能说明问题不存在。这些误用并非 t 检验独有,却因为它太常用、太容易上手,而在实际研究中反复出现。

应用与评价

t 检验在心理学中的地位近乎基础工具。实验心理学比较两种条件的均值,教育研究比较两种教学法的成效,临床研究比较干预组与对照组的量表得分,几乎都会用到它。它也常出现在测量学里,用于检验两组被试在某测验上的差异,或考察重测前后是否发生系统性漂移。在工业与农业的质量控制中,t 检验同样是判断工艺改动是否有效的快捷手段。

评价 t 检验,应当承认它的价值恰恰在于“够用而不过度”。它把“均值是否有差别”这一常见问题化为一个简洁的比值,配上一套成熟的分布理论,使小样本研究也能作出有依据的推断,这在小样本研究占多数的心理学中意义重大。但正因为它简单,使用者容易跳过对假定、设计与效应量的审视,把它当作万能钥匙。真正妥当的用法,是把它放在研究设计的整体中考量:样本如何抽取、分组是否随机、测量是否可靠、结论是否被过度解读。工具本身没有错,错的是把工具当成结论。[3]

参考资料

  1. ↑ Psychological Testing,Encyclopaedia Britannica,2024年访问
  2. ↑ PubMed Central,National Center for Biotechnology Information,2024年访问
  3. ↑ 中国心理学会官网,中国心理学会,2024年访问