配对样本t检验（Paired t Test）
方法简介：配对样本t检验用于比较同一批对象在两个时间点或两种条件下的测量值是否有显著差异。典型场景：产品改版前后用户满意度对比、员工培训前后考核成绩对比。它的核心思路是计算每个对象的差值，再检验差值的均值是否显著不为零。
什么时候用配对样本t检验
满足以下条件时，优先选择配对t检验（而不是独立样本t检验）：
- 同一组对象，测了两次：如100名用户在改版前填写满意度调查，改版后同样这批用户再填一次
- 前后测设计：培训班学员在培训开始前和结束后各测一次知识水平
- 同一对象，两种条件：同一批产品在不同温度环境下的性能指标对比
- 匹配配对设计：按年龄/性别等条件将两组成员一一匹配后做对比
判断关键：数据集里每一行都有"测量A"和"测量B"两列，且代表同一个对象，就用配对t检验。
数据要求与前提假设
| 要求项 |
说明 |
| 变量类型 |
两列均须为连续型数值变量（如评分、成绩、时长） |
| 配对完整性 |
每个对象必须同时有两次测量值，缺一则该行数据被排除 |
| 差值正态性 |
前后测差值（A - B）须近似正态分布；样本量 >= 30 时中心极限定理保障稳健性 |
| 样本独立性 |
不同对象之间相互独立（同一对象的两次测量之间允许有相关，这正是配对检验的设计初衷） |
| 建议样本量 |
建议配对数 >= 30；若样本量过小且差值非正态，改用配对Wilcoxon检验 |
关键前提：配对t检验检验的是差值的正态性，不是每列数据本身的正态性。不确定时，先用 chatspss 的正态性检验工具对差值列做检验。
用 chatspss 做配对样本t检验（一句话）
上传数据文件后，直接用自然语言告诉 chatspss 你想做什么：
"对比改版前后用户满意度的差异，变量是'改版前满意度'和'改版后满意度'"
"用配对t检验分析培训前测和后测的成绩有没有显著变化"
chatspss 会自动识别配对变量、运行分析并生成结果表格，不需要手动设置任何参数。如果需要同时对多对变量做检验，也可以一并说明：
"分别对比满意度、推荐意愿、复购意向在活动前后的变化"
输出结果怎么读
chatspss 会输出一张标准结果表，包含以下核心字段：
| 输出字段 |
含义与判断方法 |
| 配对1均值 ± 标准差 |
前测（或第一个测量）的描述统计，反映集中趋势和离散程度 |
| 配对2均值 ± 标准差 |
后测（或第二个测量）的描述统计 |
| 差值（配对1 - 配对2） |
两次测量的均值之差。正值表示前测均值更高，负值表示后测更高 |
| 差值标准差 |
每个对象差值的离散程度，差值标准差越小，说明个体间变化越一致 |
| t 值 |
检验统计量。t = 均值差 / (差值标准误)；绝对值越大，差异越显著 |
| df（自由度） |
df = 配对数 - 1。自由度决定 t 分布的形状，用于查表或计算 p 值 |
| p 值 |
p < 0.05：差异显著（标记 *）
p < 0.01：差异极显著（标记 **）
p >= 0.05：差异不显著，不能认为前后测存在统计差异
|
结果例读（产品改版场景）
假设你对比了100名用户改版前后满意度（5分制），输出大致如下：
| 变量 |
改版前（均值±SD） |
改版后（均值±SD） |
差值 |
t |
df |
p |
| 用户满意度 |
3.42 ± 0.86 |
3.91 ± 0.74 |
-0.49 |
-5.23 |
99 |
0.001 ** |
解读：改版前均值 3.42，改版后 3.91，差值为 -0.49（即改版后比改版前高出 0.49 分）。t = -5.23，p = 0.001（p < 0.01），说明改版前后满意度存在极显著差异，改版效果显著提升了用户满意度。
常见问题（FAQ）
Q：配对t检验和独立样本t检验有什么区别？
A：配对t检验用于同一批对象的两次测量（如培训前后、改版前后），样本不独立；独立样本t检验用于两组不同的人/样本，彼此无关联。判断方法：如果每条记录都有"配对1"和"配对2"两列数据，就用配对t检验。
Q：差值不满足正态分布，配对t检验还能用吗？
A：不建议直接用。配对t检验要求差值近似正态。若差值不正态，改用配对Wilcoxon符号秩检验（非参数替代）。在 chatspss 中直接告诉 AI "改用非参数检验" 即可自动切换，无需手动操作。
Q：配对t检验最少需要多少样本量？
A：没有绝对的最低要求，但实践中建议配对数 >= 30。样本量 < 30 时，差值正态性假设难以保障，建议先做正态性检验，或直接用配对Wilcoxon检验。
Q：p值不显著（p > 0.05）说明什么？
A：p > 0.05 意味着在当前样本量和显著性水平下，未发现前后测存在统计上的显著差异。但这不等于"完全没有差异"——可能是样本量不足导致检验效能偏低。建议结合均值差的实际大小综合判断，不能仅靠 p 值下结论。
Q：chatspss 支持同时跑多对变量的配对t检验吗？
A：支持。一次告诉 AI 多对变量（如满意度、推荐意愿、复购意向），chatspss 会为每对分别计算并汇总在同一张结果表中，省去多次操作。
Q：配对t检验的差值方向是如何定义的？
A：chatspss 按"配对1 - 配对2"计算。即差值为正表示配对1（通常是前测）均值更高，差值为负表示配对2（通常是后测）更高。若需要反向，在描述需求时说明即可，AI 会相应调整解读。
注意事项
- 配对完整性：数据中若某行只有其中一列有值，该行会被自动排除，实际参与分析的配对数可能少于总行数，结果表中会显示有效样本量。
- 配对不等于因果：前后测存在显著差异，说明两次测量不同，但不能直接断定"是某个干预措施导致了变化"，需要结合研究设计综合判断。
- 先做正态性检验：如果不确定差值是否正态，建议先用 chatspss 的正态性检验工具进行判断，再决定用参数检验还是非参数检验。
- 多对检验的多重比较：同时做多对配对t检验时，整体犯错概率会升高，若分析目的严格，可考虑使用 Bonferroni 校正（p 阈值 = 0.05 / 检验对数）。
相关方法
独立样本t检验（比较两组不同的人） |
非参数检验（差值不正态时的替代方案） |
正态性检验（检验差值是否满足正态假设）
立即使用 chatspss 进行配对样本t检验