假设进行比率处理前后的对数分布服从高斯分布，使用比率t检验比较两个匹配组的平均值。

对数（比率）分布是否服从高斯分布？

比率t检验假设您已经从一组成对值中抽样，其中比率的对数服从高斯分布。

虽然这一假设对大样本来说不太重要，但对小样本来说却很重要。使用Prism检验这一假设。

配对是否有效？

配对应作为实验设计的一部分，而非在收集数据后所做的事情。Prism通过计算两列数据对数之间的皮尔逊相关系数r来检验配对的有效性。如果对应的P值。如果P值很小，则两组之间存在显著相关性。这证明了使用配对检验的合理性。

如果P值较大（例如，大于0.05），则应该质疑使用配对检验是否有意义。您对是否使用配对检验的选择不但仅基于该P值，还基于实验设计和其他类似实验的结果。

配对是否独立？

比率t检验的结果只有在两个配对值彼此独立时才有意义- 无论是什么因素导致比率（成对值）过高或过低，均只会影响这一对。Prism无法检验这一假设。您必须考虑实验设计。例如，如果有六对数值，但这些数值获取自三只动物，且每只动物均存在重复测量值，则误差并非独立存在。在此情况下，一些因素可能导致一只动物的前后差异变大或变小。该因素会影响其中两对数据，因此它们不独立。

您是否在比较两个组？

仅使用t检验来比较两个组。如需比较三个或三个以上的匹配组，将这些值转换成对数，然后使用单因素方差分析重复测量，然后进行事后检验。其不合适进行多次t检验，一次比较两个组。

如果您选择单尾P值，则您的预测是否正确？

如果您选择单尾P值，您应在收集数据之前便已经预测出哪个组的平均值会更大。Prism未要求您记录这一预测，但假设其正确。如果您的预测错误，则请忽略报告的P值，并注明P＞0.50。

您是否关心差异或比率？

比率t检验可分析成对值比率的对数。假设该比率是实验效应的一致量度。通过多次实验，您可能会发现成对值之间的差异是效应的一致量度，而比率则不是。在这些情况下，请使用配对t检验，而非比率t检验。