从理论基础到实战应用，全方位掌握成组 t 检验的核心逻辑、公式推导及注意事项，助您科学分析数据差异。
在统计学中，成组 t 检验（Grouped t-test），又称独立样本 t 检验（Independent Samples t-test），主要用于推断两个独立样本所代表的总体均值是否存在显著差异。其核心在于构建一个服从 t 分布的统计量。
其中：
由于我们假设两总体方差相等（方差齐性），因此需要利用两组数据的离均差平方和来计算加权平均的方差：
或者展开写为：
执行一次完整的成组 t 检验，通常遵循以下严谨的步骤。这不仅是考试的重点，也是科研论文中必须描述的统计过程。
收集数据，检查是否有缺失值或异常值。计算两组的样本量（n）、均值（）和标准差（S）。建议先绘制箱线图直观观察数据分布。
验证数据是否服从正态分布。小样本（n<50）常用 Shapiro-Wilk 检验，大样本可用 Kolmogorov-Smirnov 检验。若 P>0.05，则认为符合正态分布。
这是成组 t 检验的关键前置步骤。使用 F 检验或 Levene 检验。若 P>0.05，认为方差齐性成立，可使用标准公式；若 P≤0.05，则方差不齐，需采用校正 t 检验（Welch's t-test）。
设定 ，。代入上述公式计算 t 值。
根据自由度 查 t 界值表，或由软件直接给出 P 值。若 P<0.05（通常取 ），拒绝 ，认为两组差异有统计学意义。
在实际应用中，根据样本量大小和方差情况，公式会有不同的表现形式。点击下方标签查看详情。
适用于两样本量较小且方差齐性的情况。如前文所述，使用合并方差 。
| 符号 | 含义 | 备注 |
|---|---|---|
| t 统计量 | 服从自由度为 的 t 分布 | |
| 均数之差的标准误 |
当方差齐性检验显示方差不齐时，不能使用合并方差。此时公式变为：
此时的自由度 需要进行校正（Satterthwaite 近似法），公式较为复杂，现代统计软件（SPSS, R, Python）会自动计算该自由度和对应的 P 值。
当 且 时，t 分布趋近于标准正态分布（Z 分布）。此时可直接使用 Z 检验公式，结果与 t 检验几乎一致。
查 Z 界值表即可，例如 时，。
为了让大家更直观地理解成组 t 检验，我们构建一个典型的医学研究场景。
某医院研究一种新药对高血压患者的降压效果。研究者将 20 名患者随机分为两组：
A 组（实验组）：服用新药，共 10 人。
B 组（对照组）：服用安慰剂，共 10 人。
经过一个月治疗后，记录两组患者的收缩压下降值（mmHg）。
| 组别 | 样本量 (n) | 均值 () | 标准差 (S) | 标准误 (SE) |
|---|---|---|---|---|
| A 组 (新药) | 10 | 18.50 | 4.20 | 1.33 |
| B 组 (安慰剂) | 10 | 10.20 | 3.80 | 1.20 |
虽然手动计算有助于理解原理，但在实际科研工作中，我们更多依赖专业软件。以下是三种主流工具的操作要点。
菜单路径：分析 -> 比较均值 -> 独立样本 T 检验 步骤： 1. 将连续变量选入“检验变量”框。 2. 将分组变量选入“分组变量”框，并定义组（如 1 和 2）。 3. 点击“选项”，设置置信区间百分比（默认 95%）。 4. 关键：查看“莱文方差等同性检验”列。
Excel 内置了强大的统计分析功能，无需安装插件。
函数语法：T.TEST(array1, array2, tails, type) 参数说明：
from scipy import stats import numpy as np假设 data_a 和 data_b 是两组 numpy 数组
t_stat, p_value = stats.ttest_ind(data_a, data_b, equal_var=True) print(f"T-value: {t_stat}, P-value: {p_value}")若方差不齐，设置 equal_var=False
A: 核心区别在于数据的独立性。成组 t 检验处理的是两个完全无关的群体（如男 vs 女，用药组 vs 安慰剂组）；而配对 t 检验处理的是同一群体在不同时间点或条件下的数据（如服药前 vs 服药后）。混淆两者会导致严重的统计错误。
A: 完全可以。只要满足正态性和方差齐性，样本量不等（如 n1=15, n2=25）依然可以使用标准公式。不过，如果样本量差异过大（如 1:10），对方差齐性的要求会变得更敏感，此时建议优先检查方差齐性或使用 Welch's t-test。
A: 在传统的统计学惯例中，通常规定 为有统计学意义。但 处于临界状态，解释时需要谨慎，最好结合效应量和置信区间来综合判断，避免过度解读。