非配对t检验用于比较两个非配对组别的均值，其假设是数据服从高斯分布。请参阅其他资料，了解如何选择t检验以及如何解释结果。

总体是否服从高斯分布？

非配对t检验假设数据是从服从高斯分布的总体中抽样的。根据中心极限定理，当样本量较大时，这一假设的重要性会降低。

Prism 可以在“列统计量”分析中执行正态性检验。了解更多。  

如果您的数据不来自高斯分布，您有三种选择。 最佳方案是对数据值进行转换（例如转换为对数或倒数），以使分布更接近高斯分布。另一种选择是使用Mann-Whitney检验代替 t 检验。最后一种方案是尽管明知样本量较大时 t 检验对高斯分布违背情况具有相当强的鲁棒性，仍继续使用 t 检验。

两个总体是否具有相同的方差？

非配对t检验假设两个总体方差相等（因此标准偏差也相等）。

Prism 通过 F 检验来检验方差是否相等。 该检验得出的P值回答了以下问题：如果两个总体方差确实相等，那么随机抽取样本时，其方差比偏离1.0（或更远）的概率有多大，其偏离程度与实验中观察到的结果相当？较小的P值表明方差不同。

不要仅凭F检验结果就得出结论。还应参考其他类似实验的数据。如果您有大量先前的数据能让您确信方差确实相等，则可忽略F检验（除非P值非常小），并按常规方式解释t检验结果。

在某些情况下，发现总体方差不同可能与发现均值不同同样重要。

数据是配对的还是非配对的？

非配对t检验的原理是将均值之差与该差值的标准误差进行比较，该标准误差是通过合并两组的标准误差计算得出的。如果数据是配对或匹配的，则应选择配对t检验。 如果配对能有效控制实验变异性，则配对t检验的功效将高于非配对t检验。

这些“误差”是否相互独立？

术语“误差”指的是每个值与组平均值之间的差值。t检验的结果只有在数据散布具有随机性时才有意义——即无论是什么因素导致某个值过高或过低，该因素仅影响该单一值。Prism无法检验这一假设。 您必须考虑实验设计。例如，如果每个组有六个数值，但这些数值分别来自该组中的两只动物（各测三次），则这些误差就不是相互独立的。在这种情况下，某些因素可能会导致同一只动物的所有三次测量结果都偏高或偏低。

您是否正在比较恰好两个组？

t 检验仅适用于两个组之间的比较。若要比较三个或更多组，应使用单向方差分析（ANOVA），随后进行多重比较检验。不建议分多次进行 t 检验，每次仅比较两个组。进行多重比较会增加因偶然因素而发现统计学显著差异的概率，并使 P 值及统计学显著性结论的解读变得困难。 即使您希望使用计划内比较来避免进行多重比较校正，也仍应将其作为单向方差分析的一部分来执行，以充分利用其带来的额外自由度。

两列都包含数据吗？

若要将一组实验数据与理论值（例如 100%）进行比较，请勿将该理论值填入一列并进行非配对t检验。应改用单样本 t 检验。

您真的想比较均值吗？

非配对t检验用于比较两个组的平均值。即使两个分布有很大重叠，也可能得到极小的P值——这是总体均值存在差异的明确证据。 在某些情况下——例如评估诊断试验的有效性——您可能更关注分布的重叠程度，而非均值之间的差异。

如果您选择了单尾P值，您的预测是否正确？

若您选择了单尾P值，则应在收集任何数据之前预测哪个组的平均值较大。Prism虽未要求您记录该预测，但默认该预测是正确的。若您的预测有误，请忽略Prism报告的P值，并说明P>0.50。