非配对t检验用于比较两个非配对组的均值，其前提是数据服从高斯分布。关于如何选择t检验以及解释结果，请参阅其他资料。

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。最后一种选择是尽管如此仍使用 t 检验，因为在样本量较大时，该检验对高斯分布的违背具有相当强的鲁棒性。

两个总体是否具有相同的方差？

非配对t检验假设两个总体具有相同的方差（因此标准偏差也相同）。

Prism 通过 F 检验来检验方差是否相等。该检验的 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）达到实验中观察到的程度的概率是多少？较小的 P 值表明方差不同。

不要仅凭 F 检验结果就下结论。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，那么可以忽略 F 检验（除非 P 值非常小），并按常规解读 t 检验的结果。

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检验通过比较均值差与该差值的标准误差来工作，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，配对t检验的检验力将高于非配对检验。

这些“误差”是否相互独立？

“误差”一词指每个数值与组平均值之间的差值。t 检验的结果仅在数据散布具有随机性时才有意义 - 即导致某个数值过高或过低的因素仅影响该单一数值。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，但这些数值来自组内两只动物（各测三次），则这些误差不独立。在这种情况下，某些因素可能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，应先进行单因素方差分析（ANOVA），随后进行多重比较检验。不建议通过多次 t 检验来逐对比较组别。进行多重比较会增加偶然发现统计学显著差异的概率，并导致难以正确解读 P 值和统计显著性结论。 即使您希望使用计划内比较法来避免多重比较校正，也仍应将其作为单因素方差分析的一部分进行，以充分利用其带来的额外自由度。

两列都包含数据吗？

若需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后执行非配对t检验。此时应使用单样本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 虽未要求您记录此预测，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，并声明 P>0.50。