t检验的p值对照表_R语言系列第四期：①R语言单样本双样本差异性检验

从这个部分我们就开始为大家介绍统计推断的内容了，我们将重点放到相关统计函数的特定参数及其输出的解释上。

一些最基础的统计检验基本上都是比较连续数据之间的差异，可能是两个组之间的比较，也可能是单组与特定值或预设值之间的比较，这便是本章的主题了。

首先介绍两个函数：用来进行t检验的t.test()和进行Wilcoxon检验的wilcox.test()。它们能够对单样本、两独立样本与配对样本进行检验。

#Tips：统计推断的部分我们不会把重点放到统计原理上，如果对统计学原理感兴趣的朋友请查阅相关的统计书籍，我们只会把部分必须解释的统计内容呈现出来。

A. 单样本t检验

适用条件：满足正态分布的连续型数据，数据之间保持随机性和独立性。

适用范围：比较当前数据总体与单个预期值的大小。

实例：11位女性的每日摄入能量记录存放到intake变量中：

> intake=c(5260,5470,5640,6180,6390,6515,6805,7515,7516,8230,8770)

我们可以先进行简单的描述再来作推断：

> mean(intake)

[1] 6753.727

> sd(intake)

[1] 1142.19

> quantile(intake)

0% 25% 50% 75% 100%

5260.0 5910.0 6515.0 7515.5 8770.0

也许你想检验一下这些女性的摄入能量是不是与推荐值7725千焦相差甚远。首先，我们需要检验一下正态性，这里介绍一个最简单的正态性检验的方法：用夏皮罗-威尔克(Shapiro-Wilk)法检验数据正态性，即W检验,1965 年提出,适用于样本含量n ≤50 时的正态性检验。shapiro.test()

> shapiro.test(intake)

Shapiro-Wilk normality test

data: intake

W = 0.95238, p-value = 0.6744

#Tips：重点是p-value的结果，这里的值是0.6744>0.05（检验水准也可以是0.1），满足正态性。如果P值过小的情况下，就不满足正态性了，可以先进行数据转换，比如说对数转换，平方根反正弦变换，倒数变换等等方法，如果都不能满足正态的话，使用非参数的方式计算，比如后文的Wilcoxon。另外检查数据正态性的方法有很多，这里不一一列举，其实前面作图的时候讲过的QQ图也可以用来检验正态性。

我们通过W检验，得知数据服从正态分布，那么我们接下来的要做的就是检验这个分布是否满足μ=7725。

> t.test(intake,mu=7725)

One Sample t-test

data: intake

t = -2.8203, df = 10, p-value = 0.01815

alternative hypothesis: true mean is not equal to 7725

95 percent confidence interval:

5986.