当您需要比较两组数据的均值差异时，贝叶斯 t 检验提供了一种替代方案。它不依赖于僵化的假设，而是通过计算数据支持特定结论的概率，让您直观了解两组间是否存在显著差异。适用于需要高可解释性分析结果的场景。
直观的结论呈现
该方法通过后验分布展示均值差异的全貌。它不只是给出一个单一的统计指标，而是返回差异的均值、标准差以及 95% 高密度区间 (HDI)。这意味着您可以明确看到差异大概率落在哪一个范围区间内。
通过计算 P(μ_a > μ_b)，平台会直接告诉您第一组均值大于第二组的确定性比例。这种表达方式避免了误读 p 值常见带来的困扰，让数据分析结果直接服务于业务决策。
基于 ROPE 的实际等价决策
有时候，虽然统计上有微小差异，但在实际业务中却可以视为等价。通过设定 ROPE (实际等价区间)，贝叶斯 t 检验可以自动判断差异的性质。
如果大部分后验分布落在您指定的 ROPE 范围内，结果即判定为“实际等价”。这种机制帮助您在统计显著性和实际意义之间找到平衡，避免因过于关注细微差异而偏离现实判断。
严谨的计算保障
为了保证结果的可靠性，平台采用了 NUTS 采样算法进行后验分布估计。每一项分析都会经过严格的收敛诊断（r_hat 和 ess_bulk 检查），只有当模型稳定收敛时，才会向您展示最终结果。
如果遇到数据量极小或采样不收敛的情况，系统会给出明确的预警提示，并建议调整采样参数，确保您获得的是科学准确的分析数据。
1 · Intent → method
An LLM picks bayesian_ttest from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
贝叶斯 t 检验与传统的 t 检验有什么不同？
传统 t 检验侧重于在假设前提下计算 p 值，而贝叶斯 t 检验直接计算两组均值差的后验分布。这让您可以直接得出“组 A 比组 B 大的概率为 X%”的结论，而无需面对复杂的假设逻辑。
如果我的数据含有异常值，这个方法依然有效吗？
是的。贝叶斯 t 检验在模型中采用了 Student-t 分布（具有重尾特性），相比于标准正态分布，它能更好地容纳数据中的异常值，从而得出更稳定的均值比较结果。
Tool 输入字段
Schema for bayesian_ttest not exported yet (run pnpm export:registry).