高等数学 / 系统课时

配对样本检验

配对样本检验

配对样本检验用于比较同一对象在两个条件下的结果,或比较经过一一匹配的两组观测。核心不是直接比较两组均值,而是先计算每一对的差值,再检验差值总体的均值是否为零,从而判断处理、干预或时间变化是否产生稳定效果。

学习目标

  • 识别配对样本与独立样本的区别
  • 掌握配对 tt 检验的假设、统计量和计算步骤
  • 能根据显著性结果判断处理效果及其方向

为什么要先转成差值

设第 ii 个对象在处理前后的观测分别为 XiX_i 和 YiY_i。由于两个数来自同一对象,它们通常相关,不能当作两组互不相关的数据处理。配对检验把每一对观测转换为差值。

Di=Yi−XiD_i=Y_i-X_i

问题于是变为:差值总体的均值 μD\mu_D 是否等于零。若 μD=0\mu_D=0,说明平均变化不显著;若 μD>0\mu_D>0 或 μD<0\mu_D<0,则说明处理后存在稳定的上升或下降。

配对观测转化为差值的流程图

配对设计能够消除对象之间的固定差异。例如比较同一批患者用药前后的血压时,每个人的基础血压不同,但差值直接反映该患者自身的变化,因此通常比独立样本检验更有检验效率。

配对 t 检验的条件与假设

配对 tt 检验要求观测能够正确配对,各对之间相互独立,并且差值 DiD_i 来自正态总体。样本量较大时,差值分布轻微偏离正态通常影响较小;样本量很小时,应特别检查明显偏态和极端异常值。常见的双侧检验为:

H0:μD=0H_0:\mu_D=0
H_1:\mu_D\ne 0 $$。若研究问题有明确方向,也可以使用单侧假设,例如检验处理后是否降低:

H_1:\mu_D<0 $$

这里差值定义必须与方向一致。若定义为“处理后减处理前”,负值表示下降;若顺序反过来,结论方向也会反过来。

统计量与执行步骤

设共有 nn 对观测,差值样本均值为 Dˉ\bar D,差值样本标准差为 SDS_D。检验统计量为:

t=Dˉ−μD0SD/nt=\frac{\bar D-\mu_{D0}}{S_D/\sqrt{n}}

在原假设中通常有 μD0=0\mu_{D0}=0,统计量服从自由度为 n−1n-1 的 tt 分布。实际执行时按以下顺序完成:

  1. 检查每个对象是否都有完整的一对观测。
  2. 统一计算差值,并确认正负方向。
  3. 计算 Dˉ\bar D、SDS_D 和统计量 tt。
  4. 根据双侧或单侧假设求临界值或 pp 值。
  5. 结合显著性水平作出统计结论,并解释实际方向。

计算示例

某训练计划实施前后,5 名学员完成任务所需时间如下,单位为分钟。差值定义为“训练后减训练前”。

学员 训练前 训练后 差值 DiD_i
1 52 47 -5
2 48 45 -3
3 55 50 -5
4 50 46 -4
5 45 43 -2

由数据可得:

Dˉ=−5−3−5−4−25=−3.8\bar D=\frac{-5-3-5-4-2}{5}=-3.8

差值样本标准差约为 SD=1.304S_D=1.304,因此:

t=−3.81.304/5≈−6.52t=\frac{-3.8}{1.304/\sqrt{5}}\approx -6.52

自由度为 44。在显著性水平 α=0.05\alpha=0.05 的双侧检验中,该统计量的绝对值远大于相应临界值,因此拒绝 H0H_0。样本表明训练后完成时间显著减少,平均减少约 3.83.8 分钟。

统计显著并不等同于实际价值很大。报告结果时应同时给出平均差值、置信区间或业务可接受阈值,而不只给出“拒绝原假设”。

易错点与适用边界

最常见的错误是把配对数据当成独立样本,忽略同一对象内部的相关性。另一个错误是只比较两组样本均值,却不检查差值本身的异常值和分布形态。以下情况不适合直接使用配对 tt 检验:

  • 两组观测无法一一对应
  • 配对关系由事后随意挑选而来
  • 差值含严重异常值且样本很小
  • 数据只是顺序等级,均值差没有明确意义

若差值明显不满足正态条件,可考虑 Wilcoxon 符号秩检验等非参数方法,但它检验的中心位置含义与均值检验并不完全相同。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

配对样本检验

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通