1. 先把 t 分布这件事想明白t分布表精确完整图这个关键词被反复搜出来多半是有人正在赶一份报告、写一份课程作业或者刚跑完一组对照实验要做显著性判断。翻遍手边的教材附录发现那张t分布表只有寥寥几行单尾双尾还要分两张自由度到 30 就戛然而止往上直接一个∞。我这些年帮不少做数据分析的朋友看过这类问题几乎每个人都卡在同一个环节t检验的公式能默写t分布表却读不明白t值算出来之后不知道拿它跟哪个数比最后 p 值到底是 0.03 还是 0.06 全靠猜。这篇要解决的就是这一整条链路t分布为什么长这样、t分布表怎么读、自由度怎么数、三类t检验分别在什么场景下用、每一步的计算怎么落地以及怎么用代码把查表和画图这两件最枯燥的事全自动干掉。刚入门、被作业逼着查表的人可以照着抄流程工作里要用 A/B 测试结果说话的产品、运营、研发可以重点看选型逻辑和坑位清单。看完至少要能做到拿到一组数据知道自己该做哪种检验知道自由度从哪里来知道 t 值该往哪张表里对也知道什么时候该干脆放弃 t 检验换别的路子。1.1 为什么小样本不能直接套正态分布很多人第一次接触 t 分布会觉得它是个多余的发明——正态分布那么好用为什么还要再搞一个形状几乎一样的东西出来关键差别在标准差是不是已知。正态分布做区间估计时公式里用的是总体标准差 σ这是个理论上的确定值。可现实中 σ 几乎永远不知道你手里只有样本标准差 s。s 本身是个估计量样本量越小它抖得越厉害。样本量 5 的时候s 可能只有真值的七成也可能高到真值的一倍半。这时候如果把 s 当 σ 用直接套正态分布的 1.96置信区间会系统性地偏窄假阳性率飙得比 5% 高出一大截。t 分布要处理的正是这个分母本身也在抖的问题。它的定义很直白一个标准正态变量除以一个独立的卡方变量除以其自由度之后的平方根。写法上就是 Z 除以 √(χ²/ν)。因为分母是随机变量整条曲线的尾巴必然比正态更厚——这就是所谓的厚尾。样本量越小尾部越厚自由度趋近无穷时t 分布收敛到标准正态。生活里的类比很好找。正态分布像是你已经知道尺子的刻度误差是固定的t 分布像是你手里的尺子每次量都会轻微变形量得次数越少你越不敢对读数打包票。所以样本量 30 以上时t 分布和正态几乎是重合的1.96 和 2.04 的差距在实际决策里无所谓但样本量 10 的时候双尾 5% 的临界值是 2.228你拿 1.96 去比结论可能直接反过来。注意t 分布假定数据来自正态总体。样本量很大时靠中心极限定理还能扛样本量小且分布严重偏态时t 检验的 p 值不可信这时候该考虑秩检验之类的替代方案。1.2 t 分布表到底在记录什么信息一张标准的 t 分布表本质是分位数对照表。行是自由度列是显著性水平格子里的数字是临界值 t*含义是当总体真的没有差异时统计量 |t| 超过这个数的概率恰好等于你指定的 α。这里有个容易混淆的点。表里印的0.05到底是单尾还是双尾不同教材的处理不一样。有的表头写双尾 α有的写单尾 α还有的干脆两栏并列。同一个自由度下双尾 0.05 对应的临界值等于单尾 0.025 对应的临界值。你如果拿着双尾表的数字去做单尾判断等价于把标准放松了一倍假阳性率直接翻番。t 分布表的另一个特点是只给常用几个 α通常是 0.10、0.05、0.02、0.01精算场景偶尔有 0.001。算出 t 值落在两个临界值之间怎么办老派做法是写0.01 p 0.05报个区间。现在有了计算工具直接给精确 p 值就行审稿和评审也更认精确值。所以我在实际工作里的原则是表用来建立直觉和做交叉验证正式结论一律用软件算精确 p 值。至于标题里说的精确完整图指的是三样东西的合体t 分布的密度曲线图、临界值在曲线上的位置标注、以及对应的分位数表。图负责让你一眼看出尾部和 α 的关系表负责给出可以直接抄的数字两者配合才能既看懂又会用。1.3 三类 t 检验的选型逻辑选错检验类型是比算错数更常见的错误而且错了之后往往还看不出来因为软件照样吐 p 值。场景特征该用的检验自由度典型例子一组数据跟一个已知标准比单样本 t 检验n − 1某批次产品尺寸是否符合设计值 50mm两组独立对象各测一次独立样本 t 检验n₁ n₂ − 2合并方差或 Welch 近似实验组与对照组的转化率对比同一批对象前后各测一次配对样本 t 检验对数 − 1同一批用户使用新功能前后的日均时长判断的核心只有一个问题两组数据之间有没有配对关系。同一个对象测两次、同一份样品做两种处理、双胞胎分组这些都属于配对必须用配对检验。配对检验把个体差异从误差项里消掉了功效通常远高于把它当独立样本硬做。我见过最典型的翻车案例是某团队做用户行为实验同一批用户先看旧版再看新版收集了两列时长然后直接跑独立样本 t 检验。结果 p 值 0.21结论是改版无效。后来改成配对检验p 值 0.003。原因很朴素用户之间的时长差异极大有人天生用 5 分钟有人天生用 50 分钟这个巨大的个体间方差把真实的前后差异彻底淹没了。配对之后比较的是每个人的变化量个体差异自然抵消。独立样本这一支还有个分支要处理方差齐不齐。传统教材给的是合并方差公式前提是两组总体方差相等。这个前提在真实数据里经常不成立尤其是两组样本量差很多的时候。所以现在的默认做法是直接用 Welch 校正版本不依赖方差齐性假设自由度用近似公式算出来往往不是整数。两种方法在方差接近、样本量接近时结果几乎一样在方差悬殊时差别可能很大而 Welch 更稳。2. t 分布表的读法与自由度计算2.1 自由度怎么数才不数错自由度这个概念通俗讲就是你手里有多少条独立的信息可以用来估计误差。用 n 个数据估一个均值会消耗掉一条信息剩 n − 1。检验类型自由度公式说明单样本 t 检验n − 1n 为样本量配对样本 t 检验对数 − 1先把每对做差再对差值序列算独立样本合并方差n₁ n₂ − 2两组各估一个均值共消耗 2独立样本Welch近似公式常为小数软件输出的 df 可能是 17.34 这种方差分析后的两两比较组内自由度n − kk 为组数Welch 的自由度公式比较长写出来是df (s₁²/n₁ s₂²/n₂)² / [ (s₁²/n₁)²/(n₁−1) (s₂²/n₂)²/(n₂−1) ]手工算这个基本是自虐所以实际工作中一律交给软件。但有个细节要知道Welch 的 df 通常小于 n₁ n₂ − 2也就是惩罚更重临界值更大结论更保守。这正是它更稳的原因——它在方差悬殊且样本量不均衡时能有效控制假阳性。提示查表时如果算出 Welch 的 df 是 17.34保守做法是往下取整到 17 去查表临界值会略微偏大结论偏保守。软件里不用管这个它直接按连续自由度算精确 p 值。2.2 单尾还是双尾这一步最容易翻车单双尾的选择不取决于你想不想让结果显著而取决于你的研究问题有没有方向性。举两个具体例子。你要检验新工艺生产的零件直径是否偏离 50mm偏离可能是变大也可能变小两个方向都算问题这是双尾。你要检验新配方的强度是否高于旧配方只有高于才有价值低于不算成功逻辑上是单尾。但实际操作里绝大多数场景默认双尾理由有三条。第一双尾更保守评审和审稿人更容易接受第二事前的方向性假设很容易被数据反向打脸如果真实效应是反方向的单尾检验会直接给你一个接近 1 的 p 值白白浪费一次实验第三很多人是看到数据方向之后才决定用单尾这属于事后挑方向会严重夸大显著性。行业内的通用做法是除非在收集数据之前就已经在方案里写死方向性假设否则一律双尾。我自己所在的团队就是把这条写进了分析规范避免事后扯皮。换算关系记牢双尾 α 的临界值 单尾 α/2 的临界值。df 10 时双尾 0.05 的临界值是 2.228单尾 0.05 的临界值是 1.812。差了 20% 还多足以让一个边缘结果翻转。2.3 一份够用的 t 分布临界值表下面这张表是双尾视角也就是表头的 α 表示两侧尾部面积之和。这个格式跟大多数统计软件的输出习惯一致也是我最推荐记住的版本。dfα0.10α0.05α0.02α0.0116.31412.70631.82163.65722.9204.3036.9659.92532.3533.1824.5415.84142.1322.7763.7474.60452.0152.5713.3654.03261.9432.4473.1433.70771.8952.3652.9983.49981.8602.3062.8963.35591.8332.2622.8213.250101.8122.2282.7643.169121.7822.1792.6813.055151.7532.1312.6022.947201.7252.0862.5282.845251.7082.0602.4852.787301.6972.0422.4572.750401.6842.0212.4232.704601.6712.0002.3902.6601201.6581.9802.3582.617∞1.6451.9602.3262.576从这张表能读出三件事。第一自由度小于 10 的时候临界值下降得非常陡df 从 1 到 5双尾 0.05 的临界值从 12.706 掉到 2.571差了五倍。这就是小样本必须有更大证据才能下结论的来源。第二df 超过 30 之后数值变化很慢30 到 ∞ 之间只差 0.08 左右这也是30 是大样本分界线这种经验说法的由来。第三最后一行的 ∞ 就是正态分布的临界值1.96 那个熟悉的数字。手工查表的时候如果 df 不在表里比如 df 18就找相邻的那一行取保守值或者用 df 20 那一行临界值略小一点、结论略激进一点更保守的做法是用 df 15 那一行。这种差异在实际决策中通常不影响结论除非你的 t 值恰好落在临界值附近 0.01 的范围内那时就必须用精确计算。2.4 t 值、临界值、p 值三者的换算这三个数其实是同一件事的三种表达方式搞清它们的转换关系查表这件事就再也不会卡住。t 值是从数据算出来的统计量衡量观测到的差异相当于几个标准误。临界值是在给定 α 和 df 下t 分布的分位点。p 值是如果总体真的没差异出现当前这么大或更大 |t| 的概率。判断规则很干脆|t| ≥ 临界值则 p ≤ α拒绝原假设|t| 临界值则 p α不能拒绝。注意措辞是不能拒绝而不是接受因为不显著只说明证据不足不等于证明了没差异。反向换算也常用。已知 α 0.05、df 12查表得临界值 2.179。如果你的 t 2.5那 p 就小于 0.05想更精确就查 df 12、α 0.02 对应的 2.6812.5 2.681说明 p 大于 0.02。所以 0.02 p 0.05报区间。用软件算这个例子的精确 p 值大约是 0.0277。置信区间是第四个表达方式而且信息量最大。双侧 1 − α 置信区间的公式是置信区间 点估计 ± t*(α/2, df) × 标准误比如均值差是 3.2标准误是 1.4df 12双尾 0.05 的 t* 2.179那么区间就是 3.2 ± 3.05即 [0.15, 6.25]。这个区间的下限贴近 0说明效应可能很小虽然 p 值刚过线但实际意义有限——这种信息是单看 p 值看不出来的。我一直建议报告里同时给 p 值和置信区间评审的人能自己判断效应的实际大小。3. 三类 t 检验的完整计算过程3.1 单样本 t 检验从公式到落地单样本的场景其实比想象中多。除了最直观的这批零件符不符合标准还有一类隐藏用法把两组数据的差值当成一组新数据做单样本检验等价于配对检验。所以把单样本吃透配对也就通了。计算分四步。第一步算样本均值 x̄。第二步算样本标准差 s分母是 n − 1 而不是 n。第三步算标准误 SE s / √n。第四步t (x̄ − μ₀) / SE。拿个具体数字走一遍。某产线的目标厚度是 12.00mm抽 10 件测得的均值是 11.94mm样本标准差 0.09mm。SE 0.09 / √10 0.09 / 3.1623 0.02846t (11.94 − 12.00) / 0.02846 −0.06 / 0.02846 ≈ −2.108df 10 − 1 9查表df 9、双尾 0.05 的临界值是 2.262|t| 2.108 2.262p 略大于 0.05。精确算下来 p ≈ 0.0638。结论是在 5% 水平下不能认为产线偏离目标值但已经相当接近临界属于需要关注、建议扩大样本再确认的状态。这个例子里最值得说的细节是标准差的单位和小数位。0.09 和 0.090 在计算上一样但如果你在中间步骤把 SE 四舍五入成 0.028t 就变成 2.143虽然还是同一个结论但如果数据再往边缘靠一点这种舍入就可能让结论翻转。我的习惯是所有中间量保留至少 6 位有效数字只在最终报告时舍入。注意这里的 μ₀ 是事先确定的对照值绝不能是拿样本均值反过来当对照值那是自欺欺人。同样μ₀ 的来源要写清楚——是设计规格、历史均值还是行业标准。3.2 独立样本 t 检验方差齐性是绕不开的分叉口独立样本要处理两组互不相关的数据公式里多了一个合并的步骤。合并方差的计算是sp² [ (n₁ − 1)s₁² (n₂ − 1)s₂² ] / (n₁ n₂ − 2)本质是按自由度加权平均两个方差样本量大的那一组权重更高这很合理。然后t (x̄₁ − x̄₂) / [ sp × √(1/n₁ 1/n₂) ]举个实际例子。A 组 12 个样本均值 86.5标准差 9.2B 组 12 个样本均值 79.1标准差 8.6。合并方差 [11 × 84.64 11 × 73.96] / 22 [931.04 813.56] / 22 1744.6 / 22 ≈ 79.30sp √79.30 ≈ 8.905标准误 8.905 × √(1/12 1/12) 8.905 × √0.16667 8.905 × 0.40825 ≈ 3.635t (86.5 − 79.1) / 3.635 7.4 / 3.635 ≈ 2.036df 12 12 − 2 22查表df 22、双尾 0.05 的临界值约 2.074|t| 2.036 2.074p 略大于 0.05精确值约 0.0538。又是一个卡在边缘的案例。现在换 Welch 版本。两组标准差 9.2 和 8.6方差 84.64 和 73.96其实比较接近Welch 的结果会和上面非常接近标准误 √(84.64/12 73.96/12) √(7.053 6.163) √13.216 ≈ 3.635t 同样约 2.036自由度用近似公式算出来约 21.87因为方差接近、样本量相等Welch 的 df 逼近 22结论完全一样。但如果把 B 组的标准差改成 3.0、样本量改成 30情况就完全不同了合并方差会被 A 组的 84.64 主导算出来的 t 值偏小而 Welch 会给出更合理的判断。这就是为什么我建议默认用 Welch——在方差齐的时候它几乎不损失什么在不齐的时候它能救你一命。方差齐性本身要不要检验学术上争议很大。常用的 Levene 检验或 F 检验在样本量小的时候功效低、容易漏掉真实的不齐样本量大的时候又过于敏感一点点无关紧要的差异都会被判成不齐。比较务实的做法是不预检直接用 Welch。这样既省一步也避免先检验再选方法带来的双重判断问题。3.3 配对样本 t 检验把个体差异消掉配对的思路非常干净先对每一对求差 dᵢ xᵢ − yᵢ然后把这列差值当成单样本检验差值的总体均值是否为 0。t d̄ / ( sd / √n )df n − 1继续举例。8 位参与者在两种界面下各完成一次任务用时秒如下。参与者界面 A界面 B差值 d14238425547833841−3461529547443650391174446−2858499差值均值 d̄ (48−39311−29)/8 39/8 4.875。差值标准差先算离均差平方和。各差值减 4.875 得 −0.875、3.125、−7.875、4.125、−1.875、6.125、−6.875、4.125平方后约 0.766、9.766、62.016、17.016、3.516、37.516、47.266、17.016合计约 194.88。除以 7 得方差 27.84开方得 sd ≈ 5.277。SE 5.277 / √8 5.277 / 2.8284 ≈ 1.866t 4.875 / 1.866 ≈ 2.613df 7查表df 7、双尾 0.05 的临界值是 2.3652.613 2.365p 0.05精确值约 0.0346可以认为两种界面存在显著差异。关键在于对比如果把这 8 对数据错误地当成独立样本处理两组的合并标准差会因为个体间差异巨大而变得很大A 组标准差约 8.0B 组约 5.1t 值会掉到 1 附近p 值超过 0.3结论完全反转。这就是配对设计的价值——它把人跟人不一样这个巨大的噪声源直接消掉了。配对检验有个前提差值的分布要大致正态而不是原始数据正态。这一点很多人搞错。原始数据可以偏态只要差值近似对称就没问题。差值里如果出现明显的极端值比如某一对的差值特别大就要检查是不是记录错误或者个体异常反应。3.4 效应量把显著翻译成有用p 值小只说明不太可能是巧合不说明效果好。样本量足够大的时候0.01 的差异也能做出 p 0.001。所以我做完 t 检验一定补一个效应量。最常用的是 Cohens dd (x̄₁ − x̄₂) / sp配对场景用差值均值和差值标准差d d̄ / sd按惯例d 约 0.2 算小效应0.5 中等0.8 大。这个分档是经验性的不同领域差别很大心理学里 0.5 已经值得说某些工程场景 0.2 就足够影响决策。所以更靠谱的做法是结合业务成本来判断而不是死抠分档。上面前面那个独立样本例子t 2.036d 7.4 / 8.905 ≈ 0.83属于大效应。虽然 p 值刚过临界但效应量说明差异本身很可观只是样本量不够支撑确定性。这种情况正确的行动是扩大样本而不是宣告失败。反过来如果 d 只有 0.1 而 p 0.03那大概率是样本量堆出来的显著但无用要不要改方案就得看改动成本了。提示报告结论时给一个三件套——均值差 置信区间 效应量。这三样加起来读的人就能自己判断这个差异在业务上值不值得追。4. 用代码把整条链路跑通4.1 三个检验的代码骨架手工查表适合建立直觉实际工作一律交给代码。Python 生态里scipy.stats是标准选择几个函数覆盖全部场景。import numpy as np from scipy import stats # 单样本检验样本均值是否等于 12.00 sample np.array([11.95, 12.02, 11.88, 11.99, 11.91, 12.01, 11.87, 11.96, 11.93, 11.98]) t1, p1 stats.ttest_1samp(sample, popmean12.00) print(f单样本: t{t1:.4f}, p{p1:.4f}, df{len(sample)-1}) # 独立样本默认就是 Welch不假设方差齐性 group_a np.array([92, 86, 79, 95, 88, 91, 84, 90, 87, 93, 89, 85]) group_b np.array([78, 82, 75, 80, 84, 77, 81, 79, 76, 83, 80, 74]) t2, p2 stats.ttest_ind(group_a, group_b, equal_varFalse) print(f独立样本(Welch): t{t2:.4f}, p{p2:.4f}) # 如果想用传统合并方差版本显式指定 t2b, p2b stats.ttest_ind(group_a, group_b, equal_varTrue) print(f独立样本(合并): t{t2b:.4f}, p{p2b:.4f}) # 配对样本 before np.array([42, 55, 38, 61, 47, 50, 44, 58]) after np.array([38, 47, 41, 52, 44, 39, 46, 49]) t3, p3 stats.ttest_rel(before, after) print(f配对样本: t{t3:.4f}, p{p3:.4f})几个实测下来容易忽略的点。ttest_ind的默认参数在新版里是equal_varTrue也就是传统合并方差这跟很多人的直觉相反必须显式写equal_varFalse才是 Welch。ttest_rel返回的统计量方向取决于你传参的顺序ttest_rel(before, after)和反过来传t 值符号会变但 p 值不变写报告时要注意方向别搞反。4.2 手算与代码对账把第 3 节的手算结果和代码输出对一遍是检验自己有没有理解到位的最好方式。上面单样本那段数据手算 t ≈ −2.108代码跑出来应该也是这个数量级配对那段手算 t ≈ 2.613代码输出应当基本吻合差异只来自我手算时的舍入。这种对账习惯我保持了挺久好处是当软件结果和你的预期差很远时你能快速判断是数据有问题还是自己公式记错了。曾经有一次代码跑出一个 t 值 0.02、p 值 0.98看起来完全没差异我手算一遍发现是分组标签映射错了两组数据其实一模一样。软件不会告诉你这种错误它只负责算。再补一个手工算 p 值的思路用于验证软件输出from scipy import stats t_value 2.613 df 7 # 双尾 p 值两侧尾部面积之和 p_two_sided 2 * (1 - stats.t.cdf(abs(t_value), df)) print(f双尾 p {p_two_sided:.4f}) # 单尾 p 值 p_one_sided 1 - stats.t.cdf(t_value, df) print(f单尾 p {p_one_sided:.4f}) # 反查临界值给定 α 和 df求分位点 crit stats.t.ppf(1 - 0.025, df) print(fdf{df} 双尾0.05 临界值 {crit:.4f})stats.t.ppf就是用代码查表第一个参数传的是单尾累积概率。双尾 0.05 对应传 0.975也就是 1 − 0.025。这个转换第一次用很容易写错写成ppf(0.95, df)就变成单尾 0.05 的临界值了数值会小一截。4.3 把 t 分布画成一张能用的图标题里提到的精确完整图落到实操就是三件事画出密度曲线、标出临界值位置、把拒绝域填色。这张图放进报告里比一堆数字直观得多。import numpy as np import matplotlib.pyplot as plt from scipy import stats df 9 alpha 0.05 x np.linspace(-4.5, 4.5, 1000) y stats.t.pdf(x, df) y_norm stats.norm.pdf(x) crit stats.t.ppf(1 - alpha/2, df) fig, ax plt.subplots(figsize(9, 4.5)) ax.plot(x, y, labelft 分布 (df{df}), color#2b6cb0, lw2) ax.plot(x, y_norm, label标准正态, color#a0aec0, lw1.5, linestyle--) # 左右拒绝域填色 left x -crit right x crit ax.fill_between(x[left], y[left], color#e53e3e, alpha0.45) ax.fill_between(x[right], y[right], color#e53e3e, alpha0.45) # 标注临界值 for c in (-crit, crit): ax.axvline(c, color#e53e3e, linestyle:, lw1.2) ax.annotate(f{c:.3f}, xy(c, 0.02), xytext(c 0.15, 0.06), fontsize9, color#c53030) ax.set_title(ft 分布双尾检验示意 (df{df}, α{alpha})) ax.set_xlabel(t 值) ax.set_ylabel(概率密度) ax.legend(locupper right) ax.grid(alpha0.25) plt.tight_layout() plt.savefig(t_distribution.png, dpi150)这段代码有几个值得调的地方。np.linspace的范围我一般取 ±4.5因为 df 很小时 t 分布的尾部拖得很长取 ±3 会截断得很难看但如果 df 只有 2建议扩到 ±10否则曲线的厚尾特性完全看不出来。fill_between的alpha别设太高0.4 左右比较好看太深会盖住曲线。标临界值的注释位置要手动微调左右两侧用不同的偏移量否则文字会跟竖线打架。画图的时候顺手把正态曲线叠上去能非常直观地展示自由度小的时候 t 分布更胖。df 3 时两条线的差异肉眼可见df 30 时基本重合这比看表格里的数字有说服力得多。我通常会在报告里放两张图一张 df 小的、一张 df 大的读者一眼就懂为什么样本量重要。5. 实际踩过的坑与排查手册5.1 正态性检验被用反了这是我认为最常见也最隐蔽的错误。很多人做 t 检验前会跑一个 Shapiro-Wilk 检验看到 p 0.05 就慌了觉得数据不正态不能用 t 检验。问题在于正态性检验的原假设是数据服从正态分布。p 小于 0.05 才是拒绝正态。这个方向跟我们想要显著的思维惯性正好相反一不留神就理解反了。更要命的是样本量很大的时候Shapiro-Wilk 对任何微小偏离都极其敏感几乎必然给出 p 0.001数据明明看着挺正常也会被判不正态样本量很小的时候它又没有足够功效发现真正的问题。我的处理方法是看图优先检验为辅。画一个 Q-Q 图或者直方图用眼睛判断有没有严重的偏态或者双峰。轻度偏离正态t 检验在样本量 15 以上就非常稳健根本不用管。真正需要警惕的是极端偏态、明显双峰、或者尾部有极端离群值这三种情况。顺带说一句t 检验对正态性的敏感程度被严重高估了。它真正敏感的是离群值因为均值和标准差都会被一两个极端值带跑。一组 20 个数据里混进一个数量级异常的值t 值可能从 3 掉到 1.2。所以数据清洗时异常值检查比正态性检验重要得多。5.2 常见问题速查表现象可能原因排查与处理p 值刚好在 0.05 附近跳来跳去样本量不足效应处于边缘报置信区间和效应量扩大样本后复测显著但效应量极小样本量过大用效应量和业务成本判断实际价值方差齐性检验 p 很小两组离散程度确实不同改用 Welch 版本或考虑对数变换配对检验结果远好于独立检验个体间差异大配对信息被浪费确认配对关系成立后优先用配对同一批数据做多次比较总有显著的多重比较导致假阳性膨胀用 Bonferroni 或 FDR 校正t 值为正但业务方向相反组别标签或相减顺序搞反检查数据传入顺序和分组映射数据里有 0 或极大值单位错误、录入错误、真实极端逐个核查原始记录别盲目删除表里最后一条我想展开说。异常值处理最大的忌讳是看着不顺眼就删。我的原则是先定位来源能查到是录入错误的直接修正查不到的做敏感性分析——把异常值删掉跑一遍保留跑一遍如果两种结果结论一致就当它不存在如果结论翻转那必须在报告里明确说明而不是悄悄选一个好看的结果。5.3 多重比较和样本量这两件事只要你在同一份数据上做了不止一次检验p 值就不可信了。做 10 次独立的双尾检验α 0.05至少出现一次假阳性的概率是 1 − 0.95¹⁰ ≈ 40%。所以我试了几个分组终于找到一个显著的这种做法本质是在制造假阳性。常见的校正方法有两种。Bonferroni 最简单把 α 除以比较次数10 次比较就按 0.005 判。缺点是太保守真正的效应也可能被压掉。FDR错误发现率控制更温和适合探索性分析按 p 值排序后用 (i/m) × α 的阈值逐个比。实际工作里确认性分析用 Bonferroni探索性分析用 FDR这个分工比较常见。样本量的事更值得提前算。单样本场景下粗略的估算公式是n ≈ (z_{1−α/2} z_{1−β})² × σ² / Δ²双尾 α 0.05、功效 80% 时前面括号里大约是 (1.96 0.84)² 7.84。所以 n ≈ 7.84 × σ² / Δ²Δ 是你希望检测出的最小差异。举例σ 10想检测出 Δ 5 的差异n ≈ 7.84 × 100 / 25 ≈ 31.4取 32。这个估算偏乐观没考虑 t 分布的小样本惩罚实际建议再加 10% 到 15%。我见过太多做完实验才发现样本量不够的情况。事后算一下功效发现只有 0.3那这个不显著的结论其实什么也说明不了等于实验白做。所有 t 检验在设计阶段就该把这个数算出来这是我自己交过学费的一条。6. 几条从踩坑里攒下来的经验t 分布表真正值得记住的只有三个数df 无限大时的 1.96、df 10 附近的双尾 0.05 临界值 2.228、以及df 越小临界值越大这个趋势。剩下所有数值现场查表或者让代码算都比硬背靠谱。我见过有人把 df 5 的 2.571 记成 2.015刚好把两个结论反过来。看到 p 值先问三件事这个 p 是单尾还是双尾算的自由度是多少样本量多大。这三条不清楚p 值本身就是个孤零零的数字没法解读。我在评审别人的分析报告时如果只看到一个 p 值其余都没写基本会直接退回去重做。配对和独立的选择比公式算得准不准重要一个数量级。数据之间有配对关系却当独立处理损失的统计功效可能是几倍。判断标准就一句话这两列数据的第 i 行是不是来自同一个对象。显著和值得行动是两个独立的问题。p 值回答前者效应量和置信区间回答后者。这两件事混在一起谈决策一定会出问题——要么因为一个 p 0.04 去推一个实际毫无感觉的改动要么因为一个 p 0.08 放弃了一个真正有价值的方案。报告里把方法交代清楚比结果好看更重要。用了单样本还是配对、有没有做方差齐性假设、α 定在多少、有没有做多重比较校正这些写明白别人才能判断你的结论站不站得住。这也是我自己写分析报告时最先写的一段虽然枯燥但省了后面无数轮来回解释。最后再补一个我觉得很实用的小技巧把常用的ttest_1samp、ttest_ind、ttest_rel三个函数封装成一个统一的入口输入是两组数据和风险标志输出固定包含 t 值、p 值、df、置信区间、效应量五项。用了一段时间之后你会发现真正容易出错的地方从来不是公式而是忘了给某一项或者给错了顺序。固定输出格式这件事能把这些低级错误一次性堵死。 
长河君 · 2026/10/31 15:11:22 · 阅读 1.2k t分布表精确完整图：t检验、自由度与p值查表指南
1. 先把 t 分布这件事想明白t分布表精确完整图这个关键词被反复搜出来多半是有人正在赶一份报告、写一份课程作业或者刚跑完一组对照实验要做显著性判断。翻遍手边的教材附录发现那张t分布表只有寥寥几行单尾双尾还要分两张自由度到 30 就戛然而止往上直接一个∞。我这些年帮不少做数据分析的朋友看过这类问题几乎每个人都卡在同一个环节t检验的公式能默写t分布表却读不明白t值算出来之后不知道拿它跟哪个数比最后 p 值到底是 0.03 还是 0.06 全靠猜。这篇要解决的就是这一整条链路t分布为什么长这样、t分布表怎么读、自由度怎么数、三类t检验分别在什么场景下用、每一步的计算怎么落地以及怎么用代码把查表和画图这两件最枯燥的事全自动干掉。刚入门、被作业逼着查表的人可以照着抄流程工作里要用 A/B 测试结果说话的产品、运营、研发可以重点看选型逻辑和坑位清单。看完至少要能做到拿到一组数据知道自己该做哪种检验知道自由度从哪里来知道 t 值该往哪张表里对也知道什么时候该干脆放弃 t 检验换别的路子。1.1 为什么小样本不能直接套正态分布很多人第一次接触 t 分布会觉得它是个多余的发明——正态分布那么好用为什么还要再搞一个形状几乎一样的东西出来关键差别在标准差是不是已知。正态分布做区间估计时公式里用的是总体标准差 σ这是个理论上的确定值。可现实中 σ 几乎永远不知道你手里只有样本标准差 s。s 本身是个估计量样本量越小它抖得越厉害。样本量 5 的时候s 可能只有真值的七成也可能高到真值的一倍半。这时候如果把 s 当 σ 用直接套正态分布的 1.96置信区间会系统性地偏窄假阳性率飙得比 5% 高出一大截。t 分布要处理的正是这个分母本身也在抖的问题。它的定义很直白一个标准正态变量除以一个独立的卡方变量除以其自由度之后的平方根。写法上就是 Z 除以 √(χ²/ν)。因为分母是随机变量整条曲线的尾巴必然比正态更厚——这就是所谓的厚尾。样本量越小尾部越厚自由度趋近无穷时t 分布收敛到标准正态。生活里的类比很好找。正态分布像是你已经知道尺子的刻度误差是固定的t 分布像是你手里的尺子每次量都会轻微变形量得次数越少你越不敢对读数打包票。所以样本量 30 以上时t 分布和正态几乎是重合的1.96 和 2.04 的差距在实际决策里无所谓但样本量 10 的时候双尾 5% 的临界值是 2.228你拿 1.96 去比结论可能直接反过来。注意t 分布假定数据来自正态总体。样本量很大时靠中心极限定理还能扛样本量小且分布严重偏态时t 检验的 p 值不可信这时候该考虑秩检验之类的替代方案。1.2 t 分布表到底在记录什么信息一张标准的 t 分布表本质是分位数对照表。行是自由度列是显著性水平格子里的数字是临界值 t*含义是当总体真的没有差异时统计量 |t| 超过这个数的概率恰好等于你指定的 α。这里有个容易混淆的点。表里印的0.05到底是单尾还是双尾不同教材的处理不一样。有的表头写双尾 α有的写单尾 α还有的干脆两栏并列。同一个自由度下双尾 0.05 对应的临界值等于单尾 0.025 对应的临界值。你如果拿着双尾表的数字去做单尾判断等价于把标准放松了一倍假阳性率直接翻番。t 分布表的另一个特点是只给常用几个 α通常是 0.10、0.05、0.02、0.01精算场景偶尔有 0.001。算出 t 值落在两个临界值之间怎么办老派做法是写0.01 p 0.05报个区间。现在有了计算工具直接给精确 p 值就行审稿和评审也更认精确值。所以我在实际工作里的原则是表用来建立直觉和做交叉验证正式结论一律用软件算精确 p 值。至于标题里说的精确完整图指的是三样东西的合体t 分布的密度曲线图、临界值在曲线上的位置标注、以及对应的分位数表。图负责让你一眼看出尾部和 α 的关系表负责给出可以直接抄的数字两者配合才能既看懂又会用。1.3 三类 t 检验的选型逻辑选错检验类型是比算错数更常见的错误而且错了之后往往还看不出来因为软件照样吐 p 值。场景特征该用的检验自由度典型例子一组数据跟一个已知标准比单样本 t 检验n − 1某批次产品尺寸是否符合设计值 50mm两组独立对象各测一次独立样本 t 检验n₁ n₂ − 2合并方差或 Welch 近似实验组与对照组的转化率对比同一批对象前后各测一次配对样本 t 检验对数 − 1同一批用户使用新功能前后的日均时长判断的核心只有一个问题两组数据之间有没有配对关系。同一个对象测两次、同一份样品做两种处理、双胞胎分组这些都属于配对必须用配对检验。配对检验把个体差异从误差项里消掉了功效通常远高于把它当独立样本硬做。我见过最典型的翻车案例是某团队做用户行为实验同一批用户先看旧版再看新版收集了两列时长然后直接跑独立样本 t 检验。结果 p 值 0.21结论是改版无效。后来改成配对检验p 值 0.003。原因很朴素用户之间的时长差异极大有人天生用 5 分钟有人天生用 50 分钟这个巨大的个体间方差把真实的前后差异彻底淹没了。配对之后比较的是每个人的变化量个体差异自然抵消。独立样本这一支还有个分支要处理方差齐不齐。传统教材给的是合并方差公式前提是两组总体方差相等。这个前提在真实数据里经常不成立尤其是两组样本量差很多的时候。所以现在的默认做法是直接用 Welch 校正版本不依赖方差齐性假设自由度用近似公式算出来往往不是整数。两种方法在方差接近、样本量接近时结果几乎一样在方差悬殊时差别可能很大而 Welch 更稳。2. t 分布表的读法与自由度计算2.1 自由度怎么数才不数错自由度这个概念通俗讲就是你手里有多少条独立的信息可以用来估计误差。用 n 个数据估一个均值会消耗掉一条信息剩 n − 1。检验类型自由度公式说明单样本 t 检验n − 1n 为样本量配对样本 t 检验对数 − 1先把每对做差再对差值序列算独立样本合并方差n₁ n₂ − 2两组各估一个均值共消耗 2独立样本Welch近似公式常为小数软件输出的 df 可能是 17.34 这种方差分析后的两两比较组内自由度n − kk 为组数Welch 的自由度公式比较长写出来是df (s₁²/n₁ s₂²/n₂)² / [ (s₁²/n₁)²/(n₁−1) (s₂²/n₂)²/(n₂−1) ]手工算这个基本是自虐所以实际工作中一律交给软件。但有个细节要知道Welch 的 df 通常小于 n₁ n₂ − 2也就是惩罚更重临界值更大结论更保守。这正是它更稳的原因——它在方差悬殊且样本量不均衡时能有效控制假阳性。提示查表时如果算出 Welch 的 df 是 17.34保守做法是往下取整到 17 去查表临界值会略微偏大结论偏保守。软件里不用管这个它直接按连续自由度算精确 p 值。2.2 单尾还是双尾这一步最容易翻车单双尾的选择不取决于你想不想让结果显著而取决于你的研究问题有没有方向性。举两个具体例子。你要检验新工艺生产的零件直径是否偏离 50mm偏离可能是变大也可能变小两个方向都算问题这是双尾。你要检验新配方的强度是否高于旧配方只有高于才有价值低于不算成功逻辑上是单尾。但实际操作里绝大多数场景默认双尾理由有三条。第一双尾更保守评审和审稿人更容易接受第二事前的方向性假设很容易被数据反向打脸如果真实效应是反方向的单尾检验会直接给你一个接近 1 的 p 值白白浪费一次实验第三很多人是看到数据方向之后才决定用单尾这属于事后挑方向会严重夸大显著性。行业内的通用做法是除非在收集数据之前就已经在方案里写死方向性假设否则一律双尾。我自己所在的团队就是把这条写进了分析规范避免事后扯皮。换算关系记牢双尾 α 的临界值 单尾 α/2 的临界值。df 10 时双尾 0.05 的临界值是 2.228单尾 0.05 的临界值是 1.812。差了 20% 还多足以让一个边缘结果翻转。2.3 一份够用的 t 分布临界值表下面这张表是双尾视角也就是表头的 α 表示两侧尾部面积之和。这个格式跟大多数统计软件的输出习惯一致也是我最推荐记住的版本。dfα0.10α0.05α0.02α0.0116.31412.70631.82163.65722.9204.3036.9659.92532.3533.1824.5415.84142.1322.7763.7474.60452.0152.5713.3654.03261.9432.4473.1433.70771.8952.3652.9983.49981.8602.3062.8963.35591.8332.2622.8213.250101.8122.2282.7643.169121.7822.1792.6813.055151.7532.1312.6022.947201.7252.0862.5282.845251.7082.0602.4852.787301.6972.0422.4572.750401.6842.0212.4232.704601.6712.0002.3902.6601201.6581.9802.3582.617∞1.6451.9602.3262.576从这张表能读出三件事。第一自由度小于 10 的时候临界值下降得非常陡df 从 1 到 5双尾 0.05 的临界值从 12.706 掉到 2.571差了五倍。这就是小样本必须有更大证据才能下结论的来源。第二df 超过 30 之后数值变化很慢30 到 ∞ 之间只差 0.08 左右这也是30 是大样本分界线这种经验说法的由来。第三最后一行的 ∞ 就是正态分布的临界值1.96 那个熟悉的数字。手工查表的时候如果 df 不在表里比如 df 18就找相邻的那一行取保守值或者用 df 20 那一行临界值略小一点、结论略激进一点更保守的做法是用 df 15 那一行。这种差异在实际决策中通常不影响结论除非你的 t 值恰好落在临界值附近 0.01 的范围内那时就必须用精确计算。2.4 t 值、临界值、p 值三者的换算这三个数其实是同一件事的三种表达方式搞清它们的转换关系查表这件事就再也不会卡住。t 值是从数据算出来的统计量衡量观测到的差异相当于几个标准误。临界值是在给定 α 和 df 下t 分布的分位点。p 值是如果总体真的没差异出现当前这么大或更大 |t| 的概率。判断规则很干脆|t| ≥ 临界值则 p ≤ α拒绝原假设|t| 临界值则 p α不能拒绝。注意措辞是不能拒绝而不是接受因为不显著只说明证据不足不等于证明了没差异。反向换算也常用。已知 α 0.05、df 12查表得临界值 2.179。如果你的 t 2.5那 p 就小于 0.05想更精确就查 df 12、α 0.02 对应的 2.6812.5 2.681说明 p 大于 0.02。所以 0.02 p 0.05报区间。用软件算这个例子的精确 p 值大约是 0.0277。置信区间是第四个表达方式而且信息量最大。双侧 1 − α 置信区间的公式是置信区间 点估计 ± t*(α/2, df) × 标准误比如均值差是 3.2标准误是 1.4df 12双尾 0.05 的 t* 2.179那么区间就是 3.2 ± 3.05即 [0.15, 6.25]。这个区间的下限贴近 0说明效应可能很小虽然 p 值刚过线但实际意义有限——这种信息是单看 p 值看不出来的。我一直建议报告里同时给 p 值和置信区间评审的人能自己判断效应的实际大小。3. 三类 t 检验的完整计算过程3.1 单样本 t 检验从公式到落地单样本的场景其实比想象中多。除了最直观的这批零件符不符合标准还有一类隐藏用法把两组数据的差值当成一组新数据做单样本检验等价于配对检验。所以把单样本吃透配对也就通了。计算分四步。第一步算样本均值 x̄。第二步算样本标准差 s分母是 n − 1 而不是 n。第三步算标准误 SE s / √n。第四步t (x̄ − μ₀) / SE。拿个具体数字走一遍。某产线的目标厚度是 12.00mm抽 10 件测得的均值是 11.94mm样本标准差 0.09mm。SE 0.09 / √10 0.09 / 3.1623 0.02846t (11.94 − 12.00) / 0.02846 −0.06 / 0.02846 ≈ −2.108df 10 − 1 9查表df 9、双尾 0.05 的临界值是 2.262|t| 2.108 2.262p 略大于 0.05。精确算下来 p ≈ 0.0638。结论是在 5% 水平下不能认为产线偏离目标值但已经相当接近临界属于需要关注、建议扩大样本再确认的状态。这个例子里最值得说的细节是标准差的单位和小数位。0.09 和 0.090 在计算上一样但如果你在中间步骤把 SE 四舍五入成 0.028t 就变成 2.143虽然还是同一个结论但如果数据再往边缘靠一点这种舍入就可能让结论翻转。我的习惯是所有中间量保留至少 6 位有效数字只在最终报告时舍入。注意这里的 μ₀ 是事先确定的对照值绝不能是拿样本均值反过来当对照值那是自欺欺人。同样μ₀ 的来源要写清楚——是设计规格、历史均值还是行业标准。3.2 独立样本 t 检验方差齐性是绕不开的分叉口独立样本要处理两组互不相关的数据公式里多了一个合并的步骤。合并方差的计算是sp² [ (n₁ − 1)s₁² (n₂ − 1)s₂² ] / (n₁ n₂ − 2)本质是按自由度加权平均两个方差样本量大的那一组权重更高这很合理。然后t (x̄₁ − x̄₂) / [ sp × √(1/n₁ 1/n₂) ]举个实际例子。A 组 12 个样本均值 86.5标准差 9.2B 组 12 个样本均值 79.1标准差 8.6。合并方差 [11 × 84.64 11 × 73.96] / 22 [931.04 813.56] / 22 1744.6 / 22 ≈ 79.30sp √79.30 ≈ 8.905标准误 8.905 × √(1/12 1/12) 8.905 × √0.16667 8.905 × 0.40825 ≈ 3.635t (86.5 − 79.1) / 3.635 7.4 / 3.635 ≈ 2.036df 12 12 − 2 22查表df 22、双尾 0.05 的临界值约 2.074|t| 2.036 2.074p 略大于 0.05精确值约 0.0538。又是一个卡在边缘的案例。现在换 Welch 版本。两组标准差 9.2 和 8.6方差 84.64 和 73.96其实比较接近Welch 的结果会和上面非常接近标准误 √(84.64/12 73.96/12) √(7.053 6.163) √13.216 ≈ 3.635t 同样约 2.036自由度用近似公式算出来约 21.87因为方差接近、样本量相等Welch 的 df 逼近 22结论完全一样。但如果把 B 组的标准差改成 3.0、样本量改成 30情况就完全不同了合并方差会被 A 组的 84.64 主导算出来的 t 值偏小而 Welch 会给出更合理的判断。这就是为什么我建议默认用 Welch——在方差齐的时候它几乎不损失什么在不齐的时候它能救你一命。方差齐性本身要不要检验学术上争议很大。常用的 Levene 检验或 F 检验在样本量小的时候功效低、容易漏掉真实的不齐样本量大的时候又过于敏感一点点无关紧要的差异都会被判成不齐。比较务实的做法是不预检直接用 Welch。这样既省一步也避免先检验再选方法带来的双重判断问题。3.3 配对样本 t 检验把个体差异消掉配对的思路非常干净先对每一对求差 dᵢ xᵢ − yᵢ然后把这列差值当成单样本检验差值的总体均值是否为 0。t d̄ / ( sd / √n )df n − 1继续举例。8 位参与者在两种界面下各完成一次任务用时秒如下。参与者界面 A界面 B差值 d14238425547833841−3461529547443650391174446−2858499差值均值 d̄ (48−39311−29)/8 39/8 4.875。差值标准差先算离均差平方和。各差值减 4.875 得 −0.875、3.125、−7.875、4.125、−1.875、6.125、−6.875、4.125平方后约 0.766、9.766、62.016、17.016、3.516、37.516、47.266、17.016合计约 194.88。除以 7 得方差 27.84开方得 sd ≈ 5.277。SE 5.277 / √8 5.277 / 2.8284 ≈ 1.866t 4.875 / 1.866 ≈ 2.613df 7查表df 7、双尾 0.05 的临界值是 2.3652.613 2.365p 0.05精确值约 0.0346可以认为两种界面存在显著差异。关键在于对比如果把这 8 对数据错误地当成独立样本处理两组的合并标准差会因为个体间差异巨大而变得很大A 组标准差约 8.0B 组约 5.1t 值会掉到 1 附近p 值超过 0.3结论完全反转。这就是配对设计的价值——它把人跟人不一样这个巨大的噪声源直接消掉了。配对检验有个前提差值的分布要大致正态而不是原始数据正态。这一点很多人搞错。原始数据可以偏态只要差值近似对称就没问题。差值里如果出现明显的极端值比如某一对的差值特别大就要检查是不是记录错误或者个体异常反应。3.4 效应量把显著翻译成有用p 值小只说明不太可能是巧合不说明效果好。样本量足够大的时候0.01 的差异也能做出 p 0.001。所以我做完 t 检验一定补一个效应量。最常用的是 Cohens dd (x̄₁ − x̄₂) / sp配对场景用差值均值和差值标准差d d̄ / sd按惯例d 约 0.2 算小效应0.5 中等0.8 大。这个分档是经验性的不同领域差别很大心理学里 0.5 已经值得说某些工程场景 0.2 就足够影响决策。所以更靠谱的做法是结合业务成本来判断而不是死抠分档。上面前面那个独立样本例子t 2.036d 7.4 / 8.905 ≈ 0.83属于大效应。虽然 p 值刚过临界但效应量说明差异本身很可观只是样本量不够支撑确定性。这种情况正确的行动是扩大样本而不是宣告失败。反过来如果 d 只有 0.1 而 p 0.03那大概率是样本量堆出来的显著但无用要不要改方案就得看改动成本了。提示报告结论时给一个三件套——均值差 置信区间 效应量。这三样加起来读的人就能自己判断这个差异在业务上值不值得追。4. 用代码把整条链路跑通4.1 三个检验的代码骨架手工查表适合建立直觉实际工作一律交给代码。Python 生态里scipy.stats是标准选择几个函数覆盖全部场景。import numpy as np from scipy import stats # 单样本检验样本均值是否等于 12.00 sample np.array([11.95, 12.02, 11.88, 11.99, 11.91, 12.01, 11.87, 11.96, 11.93, 11.98]) t1, p1 stats.ttest_1samp(sample, popmean12.00) print(f单样本: t{t1:.4f}, p{p1:.4f}, df{len(sample)-1}) # 独立样本默认就是 Welch不假设方差齐性 group_a np.array([92, 86, 79, 95, 88, 91, 84, 90, 87, 93, 89, 85]) group_b np.array([78, 82, 75, 80, 84, 77, 81, 79, 76, 83, 80, 74]) t2, p2 stats.ttest_ind(group_a, group_b, equal_varFalse) print(f独立样本(Welch): t{t2:.4f}, p{p2:.4f}) # 如果想用传统合并方差版本显式指定 t2b, p2b stats.ttest_ind(group_a, group_b, equal_varTrue) print(f独立样本(合并): t{t2b:.4f}, p{p2b:.4f}) # 配对样本 before np.array([42, 55, 38, 61, 47, 50, 44, 58]) after np.array([38, 47, 41, 52, 44, 39, 46, 49]) t3, p3 stats.ttest_rel(before, after) print(f配对样本: t{t3:.4f}, p{p3:.4f})几个实测下来容易忽略的点。ttest_ind的默认参数在新版里是equal_varTrue也就是传统合并方差这跟很多人的直觉相反必须显式写equal_varFalse才是 Welch。ttest_rel返回的统计量方向取决于你传参的顺序ttest_rel(before, after)和反过来传t 值符号会变但 p 值不变写报告时要注意方向别搞反。4.2 手算与代码对账把第 3 节的手算结果和代码输出对一遍是检验自己有没有理解到位的最好方式。上面单样本那段数据手算 t ≈ −2.108代码跑出来应该也是这个数量级配对那段手算 t ≈ 2.613代码输出应当基本吻合差异只来自我手算时的舍入。这种对账习惯我保持了挺久好处是当软件结果和你的预期差很远时你能快速判断是数据有问题还是自己公式记错了。曾经有一次代码跑出一个 t 值 0.02、p 值 0.98看起来完全没差异我手算一遍发现是分组标签映射错了两组数据其实一模一样。软件不会告诉你这种错误它只负责算。再补一个手工算 p 值的思路用于验证软件输出from scipy import stats t_value 2.613 df 7 # 双尾 p 值两侧尾部面积之和 p_two_sided 2 * (1 - stats.t.cdf(abs(t_value), df)) print(f双尾 p {p_two_sided:.4f}) # 单尾 p 值 p_one_sided 1 - stats.t.cdf(t_value, df) print(f单尾 p {p_one_sided:.4f}) # 反查临界值给定 α 和 df求分位点 crit stats.t.ppf(1 - 0.025, df) print(fdf{df} 双尾0.05 临界值 {crit:.4f})stats.t.ppf就是用代码查表第一个参数传的是单尾累积概率。双尾 0.05 对应传 0.975也就是 1 − 0.025。这个转换第一次用很容易写错写成ppf(0.95, df)就变成单尾 0.05 的临界值了数值会小一截。4.3 把 t 分布画成一张能用的图标题里提到的精确完整图落到实操就是三件事画出密度曲线、标出临界值位置、把拒绝域填色。这张图放进报告里比一堆数字直观得多。import numpy as np import matplotlib.pyplot as plt from scipy import stats df 9 alpha 0.05 x np.linspace(-4.5, 4.5, 1000) y stats.t.pdf(x, df) y_norm stats.norm.pdf(x) crit stats.t.ppf(1 - alpha/2, df) fig, ax plt.subplots(figsize(9, 4.5)) ax.plot(x, y, labelft 分布 (df{df}), color#2b6cb0, lw2) ax.plot(x, y_norm, label标准正态, color#a0aec0, lw1.5, linestyle--) # 左右拒绝域填色 left x -crit right x crit ax.fill_between(x[left], y[left], color#e53e3e, alpha0.45) ax.fill_between(x[right], y[right], color#e53e3e, alpha0.45) # 标注临界值 for c in (-crit, crit): ax.axvline(c, color#e53e3e, linestyle:, lw1.2) ax.annotate(f{c:.3f}, xy(c, 0.02), xytext(c 0.15, 0.06), fontsize9, color#c53030) ax.set_title(ft 分布双尾检验示意 (df{df}, α{alpha})) ax.set_xlabel(t 值) ax.set_ylabel(概率密度) ax.legend(locupper right) ax.grid(alpha0.25) plt.tight_layout() plt.savefig(t_distribution.png, dpi150)这段代码有几个值得调的地方。np.linspace的范围我一般取 ±4.5因为 df 很小时 t 分布的尾部拖得很长取 ±3 会截断得很难看但如果 df 只有 2建议扩到 ±10否则曲线的厚尾特性完全看不出来。fill_between的alpha别设太高0.4 左右比较好看太深会盖住曲线。标临界值的注释位置要手动微调左右两侧用不同的偏移量否则文字会跟竖线打架。画图的时候顺手把正态曲线叠上去能非常直观地展示自由度小的时候 t 分布更胖。df 3 时两条线的差异肉眼可见df 30 时基本重合这比看表格里的数字有说服力得多。我通常会在报告里放两张图一张 df 小的、一张 df 大的读者一眼就懂为什么样本量重要。5. 实际踩过的坑与排查手册5.1 正态性检验被用反了这是我认为最常见也最隐蔽的错误。很多人做 t 检验前会跑一个 Shapiro-Wilk 检验看到 p 0.05 就慌了觉得数据不正态不能用 t 检验。问题在于正态性检验的原假设是数据服从正态分布。p 小于 0.05 才是拒绝正态。这个方向跟我们想要显著的思维惯性正好相反一不留神就理解反了。更要命的是样本量很大的时候Shapiro-Wilk 对任何微小偏离都极其敏感几乎必然给出 p 0.001数据明明看着挺正常也会被判不正态样本量很小的时候它又没有足够功效发现真正的问题。我的处理方法是看图优先检验为辅。画一个 Q-Q 图或者直方图用眼睛判断有没有严重的偏态或者双峰。轻度偏离正态t 检验在样本量 15 以上就非常稳健根本不用管。真正需要警惕的是极端偏态、明显双峰、或者尾部有极端离群值这三种情况。顺带说一句t 检验对正态性的敏感程度被严重高估了。它真正敏感的是离群值因为均值和标准差都会被一两个极端值带跑。一组 20 个数据里混进一个数量级异常的值t 值可能从 3 掉到 1.2。所以数据清洗时异常值检查比正态性检验重要得多。5.2 常见问题速查表现象可能原因排查与处理p 值刚好在 0.05 附近跳来跳去样本量不足效应处于边缘报置信区间和效应量扩大样本后复测显著但效应量极小样本量过大用效应量和业务成本判断实际价值方差齐性检验 p 很小两组离散程度确实不同改用 Welch 版本或考虑对数变换配对检验结果远好于独立检验个体间差异大配对信息被浪费确认配对关系成立后优先用配对同一批数据做多次比较总有显著的多重比较导致假阳性膨胀用 Bonferroni 或 FDR 校正t 值为正但业务方向相反组别标签或相减顺序搞反检查数据传入顺序和分组映射数据里有 0 或极大值单位错误、录入错误、真实极端逐个核查原始记录别盲目删除表里最后一条我想展开说。异常值处理最大的忌讳是看着不顺眼就删。我的原则是先定位来源能查到是录入错误的直接修正查不到的做敏感性分析——把异常值删掉跑一遍保留跑一遍如果两种结果结论一致就当它不存在如果结论翻转那必须在报告里明确说明而不是悄悄选一个好看的结果。5.3 多重比较和样本量这两件事只要你在同一份数据上做了不止一次检验p 值就不可信了。做 10 次独立的双尾检验α 0.05至少出现一次假阳性的概率是 1 − 0.95¹⁰ ≈ 40%。所以我试了几个分组终于找到一个显著的这种做法本质是在制造假阳性。常见的校正方法有两种。Bonferroni 最简单把 α 除以比较次数10 次比较就按 0.005 判。缺点是太保守真正的效应也可能被压掉。FDR错误发现率控制更温和适合探索性分析按 p 值排序后用 (i/m) × α 的阈值逐个比。实际工作里确认性分析用 Bonferroni探索性分析用 FDR这个分工比较常见。样本量的事更值得提前算。单样本场景下粗略的估算公式是n ≈ (z_{1−α/2} z_{1−β})² × σ² / Δ²双尾 α 0.05、功效 80% 时前面括号里大约是 (1.96 0.84)² 7.84。所以 n ≈ 7.84 × σ² / Δ²Δ 是你希望检测出的最小差异。举例σ 10想检测出 Δ 5 的差异n ≈ 7.84 × 100 / 25 ≈ 31.4取 32。这个估算偏乐观没考虑 t 分布的小样本惩罚实际建议再加 10% 到 15%。我见过太多做完实验才发现样本量不够的情况。事后算一下功效发现只有 0.3那这个不显著的结论其实什么也说明不了等于实验白做。所有 t 检验在设计阶段就该把这个数算出来这是我自己交过学费的一条。6. 几条从踩坑里攒下来的经验t 分布表真正值得记住的只有三个数df 无限大时的 1.96、df 10 附近的双尾 0.05 临界值 2.228、以及df 越小临界值越大这个趋势。剩下所有数值现场查表或者让代码算都比硬背靠谱。我见过有人把 df 5 的 2.571 记成 2.015刚好把两个结论反过来。看到 p 值先问三件事这个 p 是单尾还是双尾算的自由度是多少样本量多大。这三条不清楚p 值本身就是个孤零零的数字没法解读。我在评审别人的分析报告时如果只看到一个 p 值其余都没写基本会直接退回去重做。配对和独立的选择比公式算得准不准重要一个数量级。数据之间有配对关系却当独立处理损失的统计功效可能是几倍。判断标准就一句话这两列数据的第 i 行是不是来自同一个对象。显著和值得行动是两个独立的问题。p 值回答前者效应量和置信区间回答后者。这两件事混在一起谈决策一定会出问题——要么因为一个 p 0.04 去推一个实际毫无感觉的改动要么因为一个 p 0.08 放弃了一个真正有价值的方案。报告里把方法交代清楚比结果好看更重要。用了单样本还是配对、有没有做方差齐性假设、α 定在多少、有没有做多重比较校正这些写明白别人才能判断你的结论站不站得住。这也是我自己写分析报告时最先写的一段虽然枯燥但省了后面无数轮来回解释。最后再补一个我觉得很实用的小技巧把常用的ttest_1samp、ttest_ind、ttest_rel三个函数封装成一个统一的入口输入是两组数据和风险标志输出固定包含 t 值、p 值、df、置信区间、效应量五项。用了一段时间之后你会发现真正容易出错的地方从来不是公式而是忘了给某一项或者给错了顺序。固定输出格式这件事能把这些低级错误一次性堵死。