的单侧t检验_每日丁点 | 数据不满足正态分布，到底能不能用t检验

昨天我们谈了t检验的主要推导过程，今天我们简单回顾一下，然后重点看看t分布的几个重要的特征。

t分布的推导过程

t分布的重要特征

另一方面，类似我们之前讲解的正态分布，t分布曲线下面积也表示t统计量落在该区间的概率，如下图为所谓的t界值表，横标目为自由度v，纵标目为概率P，一侧尾部面积称为单侧概率，两侧尾巴面积之和称为双侧概率或双尾概率。

t界值表

上表中数字表示给定的自由度v和P时，对应的t界值，

其中单侧概率的t界值表示为：

双侧概率的t界值表示为：

分别为给定的概率值（比如检验水准0.05）和自由度。

---

在做t检验的时候，嘴里总念叨的是要做正态性检验。没错，我们前文t分布的推导过程的的起点是样本数据应来源于正态分布。

然而，大量理论和相关的模拟实验都证明：即使从非正态总体中随机抽样，只有样本量n足够大，样本均数就近似服从正态分布，因此统计量t仍近似服从自由度为n-1的t分布。这条性质被称为t统计量的稳健性，这其实就是我们抽样分布那篇文章中强调过的：

根据中心极限定理，从均数为

，方差为

的总体中抽取样本量为n的简单随机样本，当样本量n很大时，无论总体分布形态如何，样本均数

近似服从于正态分布，表示为：

~

而当总体标准差

未知时，用样本标准差

估计，此时的样本均数

经变换后就服从t分布，所以不要求原数据X服从正态分布。

现在的问题就是，到底多大的样本量（n）标准才算足够大呢？其实这个标准并没有很难达到，在一般的现况研究，动辄成百上千的样本量面前，这个标准早就达到了，具体如下：

t分布的稳健性

欢迎关注微信公众号“丁点帮你”，每天帮你解决一个统计小问题，让你每天进步一丁点！