非配对 t 检验比较两个非配对组的平均值，假设检验值服从高斯分布。阅读其他内容，了解如何选择 t 检验，以及如何解读结果。

种群是否按高斯分布分布？

非配对 t 检验假设您从服从高斯分布的群体中抽取了数据。由于中心极限定理的存在，在样本量较大时，这一假设就不那么重要了。

作为列统计分析的一部分，Prism 可以执行正态性检验。了解更多。

如果您的数据不是来自高斯分布，您有三种选择。最好的选择是对数值进行转换（可能是对数或倒数），使分布更加高斯分布。另一个选择是使用 Mann-Whitney 非参数检验代替 t 检验。最后一个选择是无论如何都使用 t 检验，因为它对大样本违反高斯分布的情况相当稳健。

两个群体的方差是否相同？

非配对 t 检验假定两个种群具有相同的方差（因此具有相同的标准偏差）。

Prism 通过 F 检验来检验等方差。该检验的 P 值可以回答这个问题：如果两个种群真的具有相同的方差，那么你随机抽样选择的样本的方差比与实验中观察到的一样远离 1.0（或更远）的机会有多大？P 值越小，说明方差越大。

不要仅根据 F 检验得出结论。还要考虑其他类似实验的数据。如果有大量以前的数据让你确信等方差确实相等，那就忽略 F 检验（除非 P 值真的很小），照常解读 t 检验结果。

在某些情况下，发现群体具有不同的方差可能与发现不同的均值一样重要。

数据是非配对的吗？

非配对 t 检验的原理是比较平均值之间的差异和差异的标准误差，差异的标准误差是通过合并两组的标准误差计算出来的。如果数据是配对或匹配的，则应选择配对 t 检验。如果配对能有效控制实验变异性，那么配对 t 检验将比非配对检验更有检验力。

"误差"是独立的吗？

"误差"一词指的是每个值与组平均值之间的差异。只有当散布是随机的--导致一个值过高或过低的任何因素只影响这一个值时，t 检验值的结果才有意义。Prism 无法检验这一假设。您必须考虑实验设计。例如，如果每组有六个值，但这些值是从每组的两只动物（一式三份）中得到的，那么误差就不是独立的。在这种情况下，某些因素可能会导致来自某只动物的所有三联值偏高或偏低。

您是在比较两个组吗？

仅使用 t 检验比较两组。若要比较三个或更多组，请使用单因素方差分析，然后进行多重比较检验。进行多次 t 检验，一次比较两个组是不合适的。进行多重比较会增加偶然发现统计学显著差异的几率，并且难以解读 P 值和统计学显著性声明。即使您想使用计划内比较来避免多重比较的校正，您仍应将其作为单因素方差分析的一部分来进行，以利用其带来的额外自由度。

两列都包含数据吗？

如果您想将单组实验数据与理论值（也许是 100%）进行比较，请不要在一列中填入该理论值并进行非配对 t 检验。相反，请使用单样本 t 检验。

您真的想比较均值吗？

非配对 t 检验比较的是两个组的平均值。即使两组的分布有很大的重叠，也有可能出现极小的 P 值，这就是群体均值不同的明显证据。在某些情况下，例如评估诊断试验的有用性，您可能更关心分布的重叠程度，而不是均值之间的差异。

如果您选择的是单尾 P 值，那么您的预测正确吗？

如果您选择的是单尾 P 值，您应该在收集任何数据之前就预测出哪组平均值较大。Prism 并不要求您记录这一预测，而是假定它是正确的。如果您的预测是错误的，那么请忽略 Prism 报告的 P 值，并说明 P>0.50.