配对样本t检验的条件
配对t检验的条件？
配对t检验的条件？
通过“配对实验设计/随机区组实验设计/分层随机区组实验设计”来增加组间均衡性，控制个体差异影响，其实验效率高于完全随机实验设计（独立样本t检验）。
配对实验设计一般分为以下三种情形：
1：两个同质受试对象分别接受不同的处理（如按照相同病情程度、年龄、性别、体重等进行配对）
2：同一受试对象（不同部位）接受两种不同的处理
3：同一受试对象处理前后
案例要求
12名患者分别服用药物A和药物B
配对t检验的条件？
t检验，亦称student t检验（Student#39s t test），主要用于样本含量较小（例如n lt 30），总体标准差σ未知的正态分布。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的，并于1908年在Biometrika上公布。
t检验方法的选用及其适用条件有哪些？
检验的适用条件如下: (1)已知一个总体均数。 (2)可得到一个样本均数及该样本标准差。 (3)样本来自正态或近似正态总体。 注意事项 1、选用的检验方法必须符合其适用条件(注意:t检验的前提:1.来自正态分布总体2.随机样本3.均数比较时,要求俩总体方差相等,即具有方差齐性)...
t检验方法的选用及其适用条件有哪些？
应用条件
1、已知一个总体均数；
2、可得到一个样本均数及该样本标准差；
3、样本来自正态或近似正态总体。
注意事项
1、选用的检验方法必须符合其适用条件(注意：t检验的前提：来自正态分布总体； 随机样本 ；均数比较时，要求两样本总体方差相等，即具有方差齐性)。
理论上，即使样本量很小时，也可以进行t检验。（如样本量为10，一些学者声称甚至更小的样本也行），只要每组中变量呈正态分布，两组方差不会明显不同。如上所述，可以通过观察数据的分布或进行正态性检验估计数据的正态假设。
方差齐性的假设可进行F检验，或进行更有效的Levene#39s检验。如果不满足这些条件，可以采用校正的t检验，或者换用非参数检验代替t检验进行两组间均值的比较。
2、区分单侧检验和双侧检验。单侧检验的界值小于双侧检验的界值，因此更容易拒绝，犯第Ⅰ错误的可能性大 。t检验中的p值是接受两均值存在差异这个假设可能犯错的概率。在统计学上，当两组观察对象总体中的确不存在差别时，这个概率与我们拒绝了该假设有关。
一些学者认为如果差异具有特定的方向性，我们只要考虑单侧概率分布，将所得到t-检验的P值分为两半。另一些学者则认为无论何种情况下都要报告标准的双侧t检验概率。
3、假设检验的结论不能绝对化。当一个统计量的值落在临界域内，这个统计量是统计上显著的，这时拒绝虚拟假设。当一个统计量的值落在接受域中，这个检验是统计上不显著的，这是不拒绝虚拟假设H0。因为，其不显著结果的原因有可能是样本数量不够拒绝H0 ，有可能犯第Ⅰ类错误。
4、正确理解P值与差别有无统计学意义 。P越小，不是说明实际差别越大，而是说越有理由拒绝H0 ，越有理由说明两者有差异，差别有无统计学意义和有无专业上的实际意义并不完全相同。
5、假设检验和可信区间的关系结论具有一致性差异：提供的信息不同区间估计给出总体均值可能取值范围，但不给出确切的概率值，假设检验可以给出H0成立与否的概率。
6、涉及多组间比较时，慎用t检验。科研实践中，经常需要进行两组以上比较，或含有多个自变量并控制各个自变量单独效应后的各组间的比较，（如性别、药物类型与剂量），此时，需要用方差分析进行数据分析，方差分析被认为是t检验的推广。
在较为复杂的设计时，方差分析具有许多t-检验所不具备的优点。（进行多次的t检验进行比较设计中不同格子均值时）。
由来
学生t检验是威廉·戈塞为了观测酿酒品质于1908年所提出的，“学生 (student)”则是他的笔名。
基于克劳德·健力士（Claude Guinness）聘用从牛津大学和剑桥大学出来的最好的毕业生，以将生物化学及统计学应用到健力士工业流程的创新政策，戈塞受雇于都柏林的健力士酿酒厂担任统计学家。戈塞提出了t检验以降低啤酒重量监控的成本。
戈塞于1908年在《Biometrika》期刊上公布t检验，但因其老板认为其为商业机密而被迫使用笔名，统计学论文内容也跟酿酒无关。实际上，其他统计学家是知道戈塞真实身份的。
应用
1、单样本检验：检验一个正态分布的总体的均值是否在满足零假设的值之内，例如检验一群军校男生的身高的平均是否符合全国标准的170公分界线。
2、独立样本t检验（双样本）：其零假设为两个正态分布的总体的均值之差为某实数，例如检验二群人之平均身高是否相等。若两总体的方差是相等的情况下（同质方差），自由度为两样本数相加再减二；若为异方差（总体方差不相等），自由度则为Welch自由度，此情况下有时被称为Welch检验。
3、配对样本t检验（成对样本t检验）：检验自同一总体抽出的成对样本间差异是否为零。例如，检测一位病人接受治疗前和治疗后的肿瘤尺寸大小。若治疗是有效的，我们可以推定多数病人接受治疗后，肿瘤尺寸将缩小。
4、检验一回归模型的偏回归系数是否显著不为零，即检验解释变量X是否存在对被解释变量Y的解释能力，其检验统计量称之为t-比例（t-ratio）