R语言t检验

奋起的小鹰

已于 2022-10-09 08:32:58 修改

阅读量2.4w

点赞数 12

文章标签： r语言数据分析

于 2022-03-25 16:34:08 首次发布

本文链接：https://blog.csdn.net/zsc943290710/article/details/123731525

版权

一、概念

t检验又称Student's t检验，是以t分布为基础的统计分析方法。是定量资料分析中最为常见的假设检验方法。

二、应用条件

1、在单样本t检验中，总体标准差σ未知且样本含量较小（n<50）时，要求样本来自正态分布总体；

2、两个小样本均数比较时，要求两个样本均来自正态分布总体，且两样本总体方差相等；

如果两个样本方差不等，则用t'检验；

3、对于两个大样本（样本数均大于50）的均数比较；

在实际应用当中，与上述条件稍有偏差，只有数据呈单峰分布，且近似对称分布，一般影响不大。

三、分析流程

在R语言中，t检验分析的函数是t.test();单样本t检验、两样本t检验、配对样本t检验可设置不同的参数进行。

t.test(x, y = NULL, alternative = c("two.sided", "less", "greater"),mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, ...)

1、单样本t检验

样本与总体均数比较的检验称为单样本t检验（one sample t test）。是样本均数代表X未知的总体均数μ与已知的总体均数μ0（一般为理论值或者标准值）的比较。样本分布要符合正态性。 $\frac{}{}$

$t=\frac{X-u0}{S/\sqrt{n}}$

首先要进行正态性检验，然后进行t检验。

R语言实现代码：

t.test(X,mu=μ0)

2、两配t检验

配对设计均数比较又称为配对t检验。配对t检验的的目的是推断两种处理或方法的结果有无差异。

配对设计资料主要包括三种情况：

①配对的两个受试者分别接受两种不同的处理之后的数据进行分析；

②同一样品用两种方法检验出的结果；

③同一受试对象两个部位的测定数据。

配对设计均数比较的原理是：设两种处理的结果相同，即u1=u2，则u1-u2=0。于是检验可看成是差值的样本均数d所代表的未知总体均数ud与已知的总体均数u0=0的比较，其检验统计量公式为：

$t=\frac{d-ud}{S_{d}/\sqrt{n}}=\frac{d}{S_{d}/\sqrt{n}}$

配对资料差值分布要符合正态性。首先要进行正态性检验，然后进行t检验。

t检验代码如下：

t.test(A1,A2,paired=T)

3、两独立样本的t检验

两独立样本的t检验又称为两样本均数比较的t检验或成组t检验。要求两个样本均来自正态分布总体，且两样本总体方差相等；所以在进行t检验之前要进行正态性检验（前面文章已介绍，参见：R语言连续变量正态性检验_奋起的小鹰的博客-CSDN博客）和方差齐性检验。

方差齐性检验的R代码：

leveneTest(A,B)；A数据，B是分组。当方差齐时，设置参数var.equal=T，方差不齐时，采用t'检验设置参数var.equal=F。

> library(car)
> leveneTest(mtcars$mpg,mtcars$am)
Levene's Test for Homogeneity of Variance (center = median)
      Df F value  Pr(>F)  
group  1  4.1876 0.04957 *
      30                  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

#可知p<0.05，方差不齐。

> t.test(mpg~am,data = mtcars,val.equal=F) #方差不齐，val.equal=F

	Welch Two Sample t-test

data:  mpg by am
t = -3.7671, df = 18.332, p-value = 0.001374
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 -11.280194  -3.209684
sample estimates:
mean in group 0 mean in group 1 
       17.14737        24.39231 

> t.test(mpg~am,data = mtcars,val.equal=T) #假使方差齐

	Welch Two Sample t-test

data:  mpg by am
t = -3.7671, df = 18.332, p-value = 0.001374
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 -11.280194  -3.209684
sample estimates:
mean in group 0 mean in group 1 
       17.14737        24.39231

本数据因为样本较小，方差齐与否的检验结果一样。但是但样本量较大时，检验结果就会出现差异。

> leveneTest(data$BMI,data$性别)
Levene's Test for Homogeneity of Variance (center = median)
       Df F value Pr(>F)
group   1  2.0028 0.1586
      194 
> t.test(BMI~性别,data = data,var.equal=T)

	Two Sample t-test

data:  BMI by 性别
t = 1.3315, df = 194, p-value = 0.1846
alternative hypothesis: true difference in means between group 男性 and group 女性 is not equal to 0
95 percent confidence interval:
 -0.5362805  2.7649627
sample estimates:
mean in group 男性 mean in group 女性 
          23.94767           22.83333 

> t.test(BMI~性别,data = data,var.equal=F)  #方差齐与不齐时，结果不一致

	Welch Two Sample t-test

data:  BMI by 性别
t = 1.5572, df = 33.552, p-value = 0.1288
alternative hypothesis: true difference in means between group 男性 and group 女性 is not equal to 0
95 percent confidence interval:
 -0.3406366  2.5693187
sample estimates:
mean in group 男性 mean in group 女性 
          23.94767           22.83333