t检验简介
t检验（Student's t-test）是一种常用的统计学方法，用于比较样本均值与总体均值，或两个样本均值之间的差异是否具有统计学意义。它是假设检验的一种，广泛应用于医学、心理学、社会科学等领域的研究中。
根据研究设计和数据类型，t检验主要分为单样本t检验、独立样本t检验（双样本t检验）和配对样本t检验三种类型。
p值是什么?
p值（p-value）是统计学中用于衡量观测数据与原假设（H₀）之间一致性的指标。它代表了在原假设成立的前提下，获得当前观测结果或更极端结果的概率。
p值 < 0.05
通常被认为具有统计学显著性，即观测到的差异不太可能是偶然发生的。
p值 ≥ 0.05
通常被认为不具有统计学显著性，即观测到的差异可能是偶然发生的。
t检验与p值的关系
t检验统计量和p值是假设检验中紧密相关的两个指标。t统计量衡量了观测数据与原假设之间的偏离程度，而p值则将这种偏离程度转换为一个概率值。
数学关系
p值是t分布中，以t统计量为边界的尾部面积。t分布的形状由自由度（df）决定，自由度越大，t分布越接近标准正态分布。
p值 = P(|T| > |t统计量| | H₀成立，自由度df)
（双侧检验的情况）
结果解读
在解释t检验结果时，需要同时考虑t统计量和p值，并结合研究背景和实际意义进行综合分析：
- ✓ t统计量绝对值越大：观测数据与原假设的偏离程度越大。
- ✓ p值越小：观测到的差异由偶然因素导致的可能性越小。
- ✓ 显著性水平α：通常设定为0.05或0.01，用于判断p值是否具有统计学意义。
- ✓ 实际意义：统计学显著性并不等同于实际意义，还需要考虑效应大小和研究背景。
常见问题 (FAQ)
t检验和p值有什么区别?
t检验是一种统计方法，用于比较均值差异是否具有统计学意义。p值是该方法的输出结果之一，用于衡量观测结果的统计学显著性。t检验统计量描述了差异的大小，而p值则将这种差异转换为概率值。
为什么p值<0.05被认为是显著的?
这是一个统计学惯例，由英国统计学家Ronald Fisher在1920年代提出。设定α=0.05意味着我们愿意接受5%的假阳性错误率，即当原假设实际上成立时，我们错误地拒绝原假设的概率。