distributions3项目中的单样本T检验教程

引言

在统计学中，T检验是一种常用的假设检验方法，用于判断样本均值与某个已知值之间是否存在显著差异。本文将基于distributions3项目，详细介绍如何使用R语言进行单样本T检验的分析过程。

数据准备

假设我们有一组数据，记录了某位教授在课堂上使用新梗的次数：

3, 7, 11, 0, 7, 0, 4, 5, 6, 2

这组数据包含10个观测值，我们需要检验教授平均知道的梗数量是否等于3。

正态性检验

在进行T检验前，我们需要确认数据是否符合正态分布。对于小样本(n<30)，这一点尤为重要。

Q-Q图检验

x <- c(3, 7, 11, 0, 7, 0, 4, 5, 6, 2)
qqnorm(x)
qqline(x)

通过观察Q-Q图，如果数据点大致沿着参考线分布，则可以认为数据近似正态分布。本例中的数据基本符合这一特征。

假设检验

我们设定以下假设：

• 零假设(H₀)：μ = 3（教授平均知道3个梗）
• 备择假设(H₁)：μ ≠ 3

T统计量计算

T统计量的计算公式为：

T = (x̄ - μ₀) / (s/√n)

其中：

• x̄是样本均值
• μ₀是假设的总体均值(本例中为3)
• s是样本标准差
• n是样本大小

在R中实现：

n <- length(x)
t_stat <- (mean(x) - 3) / (sd(x) / sqrt(n))

p值计算

使用distributions3包可以方便地计算T分布的累积概率：

library(distributions3)
T_9 <- StudentsT(df = 9)  # 自由度为n-1=9

对于双侧检验，p值为：

2 * cdf(T_9, -abs(t_stat))

对于单侧检验：

• 若备择假设为μ > 3，p值为1 - cdf(T_9, t_stat)
• 若备择假设为μ < 3，p值为cdf(T_9, t_stat)

使用内置t.test函数

R内置的t.test函数可以简化上述过程：

# 双侧检验
t.test(x, mu = 3)

# 单侧检验(μ > 3)
t.test(x, mu = 3, alternative = "greater")

# 单侧检验(μ < 3)
t.test(x, mu = 3, alternative = "less")

结果解读

通过计算得到的p值可以与显著性水平(通常为0.05)比较：

• 如果p值小于0.05，拒绝零假设
• 如果p值大于0.05，不能拒绝零假设

在本例中，p值约为0.20，大于0.05，因此我们没有足够证据拒绝"教授平均知道3个梗"的假设。

总结

单样本T检验是分析样本均值与假设值差异的重要工具。distributions3包提供了直观的接口来计算T分布相关概率，使得假设检验过程更加便捷。在实际应用中，除了计算p值外，还应该考虑效应大小和置信区间，以获得更全面的分析结果。

对于小样本数据，正态性检验是不可或缺的步骤。当数据明显偏离正态分布时，可能需要考虑非参数检验方法，如Wilcoxon符号秩检验。