Z检验和t检验

Z检验

Z检验（Z Test）是一种统计学中的假设检验方法，主要用于在大样本情况下（通常样本容量大于30）评估样本平均数与已知总体平均数之间是否存在显著差异，或者比较两个独立大样本的平均数是否存在显著差异。
这种检验基于这样的前提：样本数据来自于一个正态分布的总体，并且总体的标准差是已知的或者是可以根据样本数据合理估计的。

Z检验的核心在于计算一个统计量Z值，这个Z值表示了观察到的样本均值与假设的总体均值之间的偏离程度，以标准差为单位。计算公式如下：

$$Z=\frac{\bar{X}-{\mu }_0}{(\sigma /\sqrt{n})}$$

其中：

• $$\bar{X}是样本平均数$$
• $${\mu }_0是假设的总体平均数$$
• $$\sigma 是总体标准差$$
• $$n是样本容量$$

计算得到的Z值随后会被与标准正态分布表进行比较，以确定这个差异发生的概率（P值），进而决定是否拒绝原假设（通常是认为两者的均值没有差异）。
如果P值小于事先设定的显著性水平（如0.05），那么就认为样本数据支持拒绝原假设，即样本均值与总体均值或两个样本的平均数之间存在显著差异。

例子

数据集

首先，我们假设超市收集到的30块巧克力的重量数据如下（单位：克）：

巧克力编号	重量
1	98
2	102
3	97
…	…
29	101
30	103

为了简化，我将直接给出这些数据的统计摘要，而不是列出所有数据点：

• $$样本平均重量(\bar{x})=99.5克$$
• 样本标准差 (s) = 1.2克
• 样本大小 (n) = 30

Z检验步骤

步骤1: 确定零假设和备择假设

$$零假设H_0:\mu =100克（即巧克力的平均重量为100克）$$
$$备择假设H_1:\mu \ne 100克（即巧克力的平均重量不等于100克，这是一个双侧检验）$$

步骤2: 计算Z统计量

$$Z=\frac{\bar{x}-{\mu }_0}{\sigma /\sqrt{n}}$$

$$这里，{\mu }_0=100克是假设的总体均值，\sigma 是总体标准差，但由于通常未知，且样本量较大，我们可以使用样本标准差s作为估计，并且由于生产过程控制较好，假设\sigma 已知或接近s，这里直接用s代替。$$
因此

$$Z=\frac{99.5-100}{1.2/\sqrt{30}}\approx \frac{-0.5}{0.1732}\approx -2.88$$

步骤3: 查Z表确定P值

接下来，我们需要查找标准正态分布表或使用统计软件/计算器找到Z值为-2.88时对应的累积概率，从而得到右侧尾部的概率，因为是双侧检验，所以P值应该是两侧之和的一半。

从标准正态分布表中查得，对于Z=-2.88，右侧尾部的概率约为0.0019。因此，双侧P值为 $$2\times 0.0019=0.0038$$

步骤4: 做出决策

一般而言，如果P值小于显著性水平（例如0.05），我们将拒绝零假设。在这个例子中，P值=0.0038远小于0.05，所以我们有足够的证据拒绝零假设。

结论

基于这个Z检验，我们可以得出结论，超市收集到的巧克力样本平均重量与厂家声称的100克存在显著差异（P < 0.05）。这意味着根据样本数据，我们有理由相信这种巧克力的平均重量不等于100克。

t检验

t检验，又称为Student’s t检验，是一种在统计学中广泛使用的假设检验方法，主要用来判断两组数据的平均值（均值）是否存在显著性差异。
它适用于样本数量相对较小（通常n<30，尽管这个界限不是绝对的）,并且总体标准差未知的情况。t检验基于t分布，这是一种在小样本情况下对正态分布数据进行推断的连续概率分布。

1. 单样本t检验

前提条件：数据应近似正态分布。

零假设（H0）：样本均值μ等于一个已知的总体均值μ₀。

公式：$$t=\frac{\bar{x}-{\mu }_0}{\left(\frac{s}{\sqrt{n}}\right)}$$

• $$\bar{x}是样本均值$$
• $${\mu }_0是假设的总体均值$$
• $$s是样本标准偏差$$
• $$n是样本容量$$

决策：将计算出的t值与t分布表中的临界值比较，或者计算p值，如果p值小于显著性水平（如α=0.05），则拒绝H0，认为样本均值与总体均值之间存在显著差异。

2. 独立样本t检验（两样本t检验）

前提条件：两组数据独立且各自来自正态分布的总体，且两组的方差相等（同方差性）或不等（异方差性）。

零假设（H0）：两组样本的总体均值相等（μ₁ = μ₂）。

公式：取决于是否满足方差齐性。

• 方差相等时（ pooled variance ）:
  $$t=\frac{({\bar{x}}_1-{\bar{x}}_2)-({\mu }_1-{\mu }_2)}{\sqrt{\left(\frac{s_1^2}{n_1}+\frac{s_2^2}{n_2}\right)}}$$

  $$其中，{\bar{x}}_1,{\bar{x}}_2分别为两组样本均值，s_1^2,s_2^2分别为两组样本方差，n_1,n_2分别为两组样本容量。$$

• 方差不等时（Welch’s t-test）:
  公式较为复杂，通常直接使用统计软件计算。

决策：同样通过比较t值与临界值或计算得到的p值来决定是否拒绝零假设。

3. 配对样本t检验

前提条件：配对数据需满足正态分布，且差值也应近似正态分布。

零假设（H0）：配对样本的总体均差为零（即处理前后的差异不显著）。

公式：
$$t=\frac{\bar{d}-\delta }{\left(\frac{s_d}{\sqrt{n}}\right)}$$

• $$\bar{d}是差值的样本均值$$
• $$\delta 是零假设下的总体均差（通常设为0）$$
• $$s_d是差值的样本标准差$$
• $$n是配对数（每对数据视为一次观测）$$

决策：与上述相同，依据t值或p值决定是否拒绝H0。

例子

为了便于理解，我们将使用假定的数据集，并假设我们正在使用α=0.05作为显著性水平。

1. 单样本t检验示例

问题：研究者想知道某工厂生产的一批产品的平均重量是否与规定的250克一致。$$抽取了n=15个产品的样本，得到的平均重量为\bar{x}=248克，样本标准差为s=3克。$$

步骤：

1. 提出假设：

   • $$H0:\mu =250克$$
   • $$H1:\mu \ne 250克$$

2. 计算t统计量：
   $$t=\frac{\bar{x}-{\mu }_0}{\left(\frac{s}{\sqrt{n}}\right)}=\frac{248-250}{\left(\frac{3}{\sqrt{15}}\right)}\approx -1.633$$

3. 查表或计算p值：使用t分布表或统计软件，找到自由度(df=n-1=14)，对应双侧检验的t值约为-1.761（对于α=0.05）。

4. 决策：因为|t|=|-1.633| < |-1.761|，我们不能拒绝H0，意味着没有足够证据表明这批产品的平均重量与250克有显著差异。

2. 独立样本t检验示例（假设方差相等）

问题：比较两种教学方法对学生考试成绩的影响。
方法A的样本（n1=20）平均分是85，标准差是5；
方法B的样本（n2=25）平均分是80，标准差也是5。

步骤：

1. 提出假设：

   • $$H0:{\mu }_1={\mu }_2（两组平均分无差异）$$
   • $$H1:{\mu }_1\ne {\mu }_2$$

2. 计算t统计量：
   $$t=\frac{({\bar{x}}_1-{\bar{x}}_2)-0}{\sqrt{\left(\frac{s_1^2}{n_1}+\frac{s_2^2}{n_2}\right)}}=\frac{(85-80)}{\sqrt{\left(\frac{5^2}{20}+\frac{5^2}{25}\right)}}\approx 2.92$$

3. 查表或计算p值：自由度为n1+n2-2=43，查t分布表或用软件得到对应双侧检验的临界值约为±2.015（α=0.05）。

4. 决策：因为|t|=2.92 > 2.015，我们拒绝H0，认为两种教学方法对学生成绩的影响有显著差异。

3. 配对样本t检验示例

问题：研究一种新药的效果，测量了10名患者治疗前后的血压变化。治疗前平均血压为140mmHg，治疗后为130mmHg，差值的样本标准差为4mmHg。

步骤：

1. 提出假设：

   • $$H0:差值的总体均值\delta =0（治疗前后血压无变化）$$
   • $$H1:\delta \ne 0$$

2. 计算t统计量：
   $$t=\frac{\bar{d}-\delta }{\left(\frac{s_d}{\sqrt{n}}\right)}=\frac{(140-130)}{\left(\frac{4}{\sqrt{10}}\right)}=7.07$$

3. 查表或计算p值：自由度为n-1=9，查表或计算得到对应的双侧检验临界值远小于7.07。

4. 决策：因为t值非常大，相应的p值会极小，远远小于α=0.05，我们强烈拒绝H0，表明治疗确实引起了血压的显著下降。

请注意，这些例子中的计算简化了许多细节，实际应用中应使用精确数值进行计算，并考虑数据是否满足t检验的前提条件。