Skip to content

Statistics › 推論統計 › 常用檢定

常用統計檢定 (Common Statistical Tests) ​

選檢定通常取決於四件事:結果變數型態、組數、獨立或配對、假設是否合理。最常出錯的是「獨立 vs 配對」。

選擇流程 ​

text
結果變數是?
├─ 數值
│   ├─ 1 組 vs 已知值 ────────── 單一樣本 t        (不符假設 → Wilcoxon signed-rank)
│   ├─ 2 組獨立 ─────────────── Welch t          (→ Mann-Whitney U)
│   ├─ 2 組配對 / 前後測 ──────── 配對 t           (→ Wilcoxon signed-rank)
│   ├─ 3+ 組獨立 ────────────── 單因子 ANOVA      (→ Kruskal-Wallis)
│   ├─ 3+ 次重複量測 ─────────── 重複量數 ANOVA / 混合模型(→ Friedman)
│   └─ 兩個數值變數的關係 ─────── Pearson 相關檢定  (→ Spearman)
└─ 類別
    ├─ 1 個比例 vs 已知值 ─────── 單一比例 z        (小樣本 → exact binomial)
    ├─ 2 個比例 ─────────────── 兩比例 z          (小樣本 → Fisher's exact)
    ├─ r × c 交叉表 ─────────── 卡方獨立性         (期望次數 < 5 → Fisher's exact)
    └─ 配對的二元結果 ─────────── McNemar

無母數替代方法見 無母數方法;卡方與 Fisher 的細節見 卡方檢定。

母數 vs 無母數不是「Shapiro 沒過就換」。目標是平均數差異且資料大致連續 → 母數方法;目標是中位數 / 排名、資料為 Ordinal 或嚴重偏態 → 無母數;小樣本二元結果 → exact test。中大樣本下 t 檢定對輕微非常態相當穩健。

t 檢定 ​

檢定問題H₀統計量Python
單一樣本 (one-sample)平均數 = 某值?μ = μ₀x¯−μ0s/nttest_1samp(x, mu0)
獨立樣本 (independent, Welch)兩組平均數不同?μ₁ = μ₂x¯1−x¯2s12/n1+s22/n2ttest_ind(a, b, equal_var=False)
配對 (paired)配對差異的平均 ≠ 0?μ_d = 0d¯sd/nttest_rel(before, after)

假設:連續資料、觀測獨立(配對時是「配對之間」獨立)、近似常態或 n 夠大。

  • 預設用 Welch(equal_var=False):變異數不等時仍正確,變異數相等時幾乎不損失檢定力。Student's t(假設等變異)不建議當預設。
  • 配對 t = 對差值做單一樣本 t。前後測資料若用獨立 t,會丟掉個體內配對資訊,大幅降低檢定力。
python
import numpy as np
from scipy import stats

# 單一樣本
stats.ttest_1samp(x, popmean=5.5)

# 獨立兩組(Welch)+ 平均差的 95% CI
res = stats.ttest_ind(setosa, versicolor, equal_var=False)
res.statistic, res.pvalue, res.confidence_interval(0.95)   # scipy ≥ 1.11

# 配對:例如同一批病人服藥前後血壓
before = np.array([140, 138, 145, 150, 142, 137, 148, 153, 141, 139])
after  = np.array([130, 132, 138, 145, 136, 130, 140, 148, 135, 133])
stats.ttest_rel(before, after)
d_paired = (before - after).mean() / (before - after).std(ddof=1)   # 配對 Cohen's d

比例檢定 ​

條件:np^≥5(或 10)且 n(1−p^)≥5,否則用 exact test。看比例時也要看實際次數:20 人的 10% 與 20,000 人的 10% 完全不同。

檢定問題Python
單一比例 zπ = π₀?proportions_ztest(count, nobs, value=pi0)
兩比例 z(A/B 測試)π₁ = π₂?proportions_ztest([x1, x2], [n1, n2])
Exact binomial小樣本的 π = π₀?binomtest(k, n, p)
Fisher's exact小樣本 2×2fisher_exact(table)
python
from statsmodels.stats.proportion import proportions_ztest
from scipy.stats import binomtest, fisher_exact

proportions_ztest(count=82, nobs=200, value=0.30)                 # 單一比例
proportions_ztest(count=[62, 45], nobs=[200, 200])                # 兩比例
binomtest(k=3, n=12, p=0.5).pvalue                                # exact binomial
fisher_exact([[8, 2], [1, 9]])                                    # (odds ratio, p)

相關檢定 ​

H₀:ρ = 0。stats.pearsonr(a, b) 與 stats.spearmanr(a, b) 直接回傳係數與 p 值,見 雙變數分析。

卡方檢定(快速版) ​

python
import pandas as pd
from scipy import stats

ct = pd.crosstab(df["group"], df["outcome"])
chi2, p, dof, expected = stats.chi2_contingency(ct)          # 獨立性檢定;務必檢查 expected ≥ 5
cramers_v = np.sqrt(chi2 / (ct.values.sum() * (min(ct.shape) - 1)))   # 效果量

stats.chisquare(f_obs=[11, 9, 10, 12, 8, 10])                 # 適合度:骰子公平嗎?

比較三組以上:ANOVA ​

ANOVA 只告訴你「至少有一組不同」,顯著後還要做 事後檢定 才知道是哪幾組。

情境方法
一個因子、3+ 獨立組單因子 ANOVA
兩個因子二因子 ANOVA
同一受試者重複量測重複量數 ANOVA / 混合效應模型
變異數不等Welch's ANOVA
嚴重非常態Kruskal-Wallis

檢定其實都是線性模型 ​

很多檢定都是 線性迴歸 的特例,理解這點有助於延伸到更複雜的設計(加共變數、批次效應):

檢定等價的模型
單一樣本 ty ~ 1(檢定截距)
兩樣本 t(Student)y ~ group(檢定 group 係數)
單因子 ANOVAy ~ C(group)(F 檢定)
二因子 ANOVAy ~ A * B
ANCOVAy ~ group + covariate
Pearson 相關y ~ x(標準化後斜率 = r)
卡方 / 比例檢定Logistic / Poisson 迴歸
python
import statsmodels.formula.api as smf
smf.ols("value ~ group", data=df).fit().summary()   # group 係數的 t 與 p 值 = Student's t 檢定

總表 ​

檢定H₀組數主要假設效果量
單一樣本 tμ = μ₀1近似常態或 n 大Cohen's d
Welch tμ₁ = μ₂2獨立、近似常態Cohen's d
配對 tμ_d = 02(配對)差值近似常態Cohen's d(配對)
單因子 ANOVAμ₁ = … = μₖ3+常態、等變異η²
兩比例 zπ₁ = π₂2期望次數夠比例差、RR、OR
卡方獨立性無關聯r × c期望次數 ≥ 5Cramér's V
Fisher's exact無關聯2 × 2小樣本皆可Odds ratio

報告清單 ​

  1. H₀ 與 H₁
  2. 選用的檢定與理由(為什麼符合研究設計)
  3. 檢定統計量與自由度
  4. p 值(多重檢定時報告校正後的值,見 多重檢定校正)
  5. 效果量與信賴區間
  6. 假設檢查結果與任何校正