Pingouin库中ttest函数使用差异解析

问题背景

在使用Python统计库Pingouin进行两组数据比较时，用户发现使用不同方法调用ttest函数会得到截然不同的结果。具体表现为：

1. 直接使用pg.ttest(df["Skupina"], df["masa"])得到显著差异结果(p=0.000327)
2. 使用SciPy的ttest_ind或Pingouin的另一种调用方式得到不显著结果(p=0.2097)

这种差异引起了用户的困惑，因为从数据分布图(小提琴图)来看，两组数据确实存在较大重叠。

技术解析

函数调用方式的本质区别

Pingouin库的ttest函数实际上是一个多功能入口，根据输入参数的不同会自动执行不同类型的t检验：

1. 错误调用方式：pg.ttest(df["Skupina"], df["masa"])

   • 这种调用方式实际上执行的是单样本t检验
   • 函数将第一参数df["Skupina"]解释为分组变量，第二参数df["masa"]解释为待检验数据
   • 相当于检验"masa"列数据是否与"Skupina"列数值(0或1)有显著差异
   • 这显然不是用户想要的分析目的

2. 正确调用方式：

   group1 = df[df["Skupina"] == 1]["masa"]
   group2 = df[df["Skupina"] == 2]["masa"]
   pg.ttest(group1, group2)
   

   • 这种调用明确指定了两个独立样本组
   • 执行的是标准的独立样本t检验
   • 结果与SciPy的ttest_ind一致

统计检验选择的重要性

这个案例凸显了统计检验中选择正确方法的重要性：

1. 单样本t检验：用于比较样本均值与已知值(理论值/标准值)的差异
2. 独立样本t检验：用于比较两个独立组别间的均值差异

用户最初的使用方式无意中执行了单样本检验，导致结果解释完全错误。

解决方案

Pingouin库提供了多种更安全的调用方式：

1. 明确分组方式：

   pg.ttest(group1, group2)
   

2. 使用DataFrame友好接口：

   pg.pairwise_tests(data=df, dv="masa", between="Skupina")
   

3. 参数化调用：

   pg.ttest(x=group1, y=group2, paired=False)
   

最佳实践建议

1. 数据检查：在进行检验前，先绘制数据分布图(如小提琴图/箱线图)
2. 明确检验类型：清楚自己要执行的是单样本、配对样本还是独立样本t检验
3. 结果验证：对于重要分析，使用不同方法/工具交叉验证结果
4. 参数说明：在代码中添加注释说明检验的目的和类型
5. 效应量报告：不仅报告p值，还应报告效应量(如Cohen's d)和置信区间

总结

这个案例展示了统计软件使用中一个常见陷阱——函数的多义性可能导致错误的分析结果。Pingouin库虽然提供了便捷的统计分析功能，但也需要用户准确理解函数参数的含义。正确的做法是：

1. 明确分析目的
2. 选择适当的检验方法
3. 使用明确的参数传递方式
4. 对结果进行多角度验证

统计分析的可靠性不仅取决于工具的选择，更取决于使用者的正确理解和恰当应用。