外觀
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 = μ₀ | ttest_1samp(x, mu0) | |
| 獨立樣本 (independent, Welch) | 兩組平均數不同? | μ₁ = μ₂ | ttest_ind(a, b, equal_var=False) | |
| 配對 (paired) | 配對差異的平均 ≠ 0? | μ_d = 0 | ttest_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:
| 檢定 | 問題 | Python |
|---|---|---|
| 單一比例 z | π = 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 2×2 | fisher_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 t | y ~ 1(檢定截距) |
| 兩樣本 t(Student) | y ~ group(檢定 group 係數) |
| 單因子 ANOVA | y ~ C(group)(F 檢定) |
| 二因子 ANOVA | y ~ A * B |
| ANCOVA | y ~ 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 t | μ = μ₀ | 1 | 近似常態或 n 大 | Cohen's d |
| Welch t | μ₁ = μ₂ | 2 | 獨立、近似常態 | Cohen's d |
| 配對 t | μ_d = 0 | 2(配對) | 差值近似常態 | Cohen's d(配對) |
| 單因子 ANOVA | μ₁ = … = μₖ | 3+ | 常態、等變異 | η² |
| 兩比例 z | π₁ = π₂ | 2 | 期望次數夠 | 比例差、RR、OR |
| 卡方獨立性 | 無關聯 | r × c | 期望次數 ≥ 5 | Cramér's V |
| Fisher's exact | 無關聯 | 2 × 2 | 小樣本皆可 | Odds ratio |
報告清單
- H₀ 與 H₁
- 選用的檢定與理由(為什麼符合研究設計)
- 檢定統計量與自由度
- p 值(多重檢定時報告校正後的值,見 多重檢定校正)
- 效果量與信賴區間
- 假設檢查結果與任何校正