非配对t检验比较两个不匹配组的平均值，假设值服从高斯分布。阅读其他地方了解如何选择t检验，以及解读结果。

群体分布是否服从高斯分布？

非配对t检验假设您从遵循高斯分布的群体中对您的数据进行抽样。考虑到中心极限定理，该假设对大样本不太重要。

Prism可以执行正态性检验，作为作为列统计一部分。了解更多。

如果您的数据并非来自高斯分布，则您有三个选择。最佳选择是转换这些值（可能是对数或倒数），使其更倾向于高斯分布。另一种选择是用Mann - Whitney非参数检验代替t检验。最后一个选择是使用t检验，其中，需要认识到，当样本量较大时，它可以抵抗对高斯分布的违反。

这两个群体的方法是否相同？

非配对t检验假设两个群体具有相同的方差（因此标准偏差相同）。

Prism检验方差与F检验的相等性。该检验的P值回答了该问题：如果两个群体的确具有相同的方差，则您随机选择在您的实验中观察到的方差比远低于1.0（或更远）的样本的可能性有多大？小P值表明方差不同。

不要将您的结论仅仅建立在F检验的基础上。也想想其他类似实验的数据。如果您有大量之前数据让您相信方差确实相等，则忽略F检验（除非P值确实很小），像往常一样解释t检验的结果。

在某些情况下，发现群体具有不同的方差可能和发现不同的平均值一样重要。

数据是否不成对？

非配对t检验的工作原理是比较平均值之间的差异以及差异的标准误差，并通过结合两个组的标准误差计算得到。如果数据为配对或匹配数据，则应该选择配对t检验作为替代。如果配对在控制实验变异性方面有效，则配对t检验的检验力比非配对检验更高。

“误差”是否独立存在？

术语“误差”指每个值与组平均值之间的差异。t检验的结果只在分散为随机分散时才有意义 - 无论是什么因素导致一个数值过高或者过低，都只会影响该特定数值。Prism无法检验这一假设。您必须考虑实验设计。例如，如果每组有六个数值，但这些值均每组两只动物身上获得（一式三份），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三重复均较高或较低。

您是否在比较两个组？

仅使用t检验来比较两个组。如需比较三个或更多个组，请使用单因素方差分析，然后进行多重比较检验。进行若干t检验时，一次比较两个组不合适。进行多重比较增加了偶然发现统计学显著性差异的机会，并使解读P值和统计学显著的陈述变得困难。即使您想要使用计划性比较来避免修正多重比较，您仍然应将其作为单因素方差分析的一部分来做，以利用为您带来的额外自由度。

两列是否均包含数据？

如果您想将一组实验数据与理论值（也许100%）进行比较，不要使用理论值填充一列，进行非配对t检验。取而代之的是，使用单样本t检验。

您是否真的想比较平均值？

非配对t检验比较两个组的平均值。即使两个分布有相当大的重叠，P值也可能很小，这是群体平均值不同的明显证据。在某些情况下（例如，评估诊断检测的有用性），您可能更感兴趣的是分布的重叠，而非平均值之间的差异。

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，则您应在收集任何数据之前，预测到哪个组将具有更大的平均值。Prism未要求您记录这一预测，但假设其正确。如果预测错误，则忽略Prism报告的P值，并注明P＞0.50。