双样本 t 检验：评估两组数据均值差异的统计学方法

当你手头有两组数据（例如实验组与对照组、不同时间段的表现），并且想知道它们之间的均值差异是真正的业务改进还是仅由随机波动引起时，使用双样本 t 检验。它能为你提供客观的 p 值与效应量，明确告知你差异的显著性及其背后的实际影响程度。

理解均值差异的真实性

在业务决策中，我们经常会看到两组数据（如 A/B 测试、不同工艺参数下的良率）存在数值上的高低。但简单比较均值往往不够，因为数据波动可能掩盖真相。双样本 t 检验通过分析样本均值、方差及样本量，计算出 p 值，帮助你判定这种差异是否具备统计学意义。

Lattice 始终提供 p 值、效应量及置信区间，确保你不仅知道差异是否显著，还能评估这种差异在实际应用中是否足够大。

三种灵活的分析模式

根据你的业务场景，双样本 t 检验支持三种模式：独立双样本检验（用于比较完全不同的两组）、Welch t 检验（当两组数据的方差不相等时，这是更稳健的选择），以及配对 t 检验（用于评估同一个对象在干预前后的变化，例如同一设备的维修前后对比）。

不仅是 p 值：效应量的重要性

p 值告诉你差异是否真实存在，而效应量（Cohen's d）则衡量差异的影响力。即使 p 值很小，如果效应量非常微小，在某些业务场景下这种差异可能并不具备实际意义。Lattice 会自动根据标准分类（小、中、大）标注效应量，方便你直观判断数据改进的实际价值。

小样本注意事项

当样本量较少时（如每组数据少于 30 个），统计检验的敏感度会受到影响。如果 Lattice 检测到样本量过小，会向你发出提醒。此时，数据可能不符合正态分布假设，我们通常建议参考非参数检验方法，以获得更可靠的分析结论。