实验设计系列——引言：t检验

引言

由于中心极限定理CLT，在生活和研究中，许多随机变量都服从正态分布。对于从服从正态分布的整体中抽取出的独立同分布样本，可以用t-统计量来进行对样本均值的假设检验。
检验样本均值是否等于某个常数时，我们可以用单样本t检验。对于两个服从正态分布的样本，在样本方差相同时，我们可以用两样本t检验来比较样本均值。当方差不同时，需要用Welch’s Approximation来进行调整

t分布和非中心t分布

如果

• $Z\sim N(0,1)$
• $X\sim {\chi }_m^2$
• $Z,X$ 独立

那么$\frac{Z}{\sqrt{X/m}}\sim t_m$，有m个自由度的t分布。
如果

• $\gamma$是一个常数
• $Z\sim N(0,1)$
• $X\sim {\chi }_{\nu }^2$
• $Z,X$ 独立

那么$\frac{Z+\gamma }{\sqrt{X/\mu }}$，服从有$\nu$个自由度的非中心t分布。$\gamma$被称为非中心参数。

单样本t检验

1. 抽样模型$Y_1,Y_2,...,Y_n\sim i.i.d.N(\mu ,{\sigma }^2)$
2. Null Hypothesis $H_0:\mu ={\mu }_0$
3. Alternative Hypothesis $H_1:\mu \ne {\mu }_0$
4. test statistics under null hypothesis $t(\mathbf{Y})=\sqrt{n}(\bar{Y}-{\mu }_0)/s$
5. Null distribution $t(\mathbf{Y})\sim t_{n-1}$
   注意，当数据服从正态分布但$\mu \ne {\mu }_0$，则$t(\mathbf{Y})$服从非中心 t 分布，我们可以用它来计算检验的势力
   但如果数据不服从正态分布，则$t(\mathbf{Y})$不服从 t 分布
6. p值 $p=P(|t(\mathbf{Y})|\ge |t(\mathbf{y})||H_0)=P(|T_{n-1}|\ge |t(\mathbf{y})|)$其中$\mathbf{y}$是实验观测到的数据
7. $\alpha$精确度下的判别过程：
   如果p值小于等于$\alpha$或者$|t(\mathbf{y})|\ge t_{(n-1),1-\alpha /2}$那么我们可以拒绝原假设。

注意：
$t(\mathbf{Y})$服从 t 分布是因为 Y 1 , Y 2 , . . . , Y n ∼ i . i . d .   N ( μ , σ 2 ) Y_1, Y_2, ..., Y_n \sim i.i.d. \ N(\mu, \sigma^2) Y