独立样本T检验

这个方法是做什么的

比较两组不同对象在同一个数值指标上的平均水平有没有差别。分组变量决定谁属于哪一组（必须恰好两组），检验变量是要比较的那个数值。

除了「有没有差」，它还回答「差多少」：均值差本身、均值差的置信区间，以及标准化的效应量。方差齐不齐由系统自动判断并切换检验方法，不需要你手工选。

前提是两组观测互相独立：一个人只出现在一组里，且某个人的取值不受另一个人影响。

「p 大于 0.05」不等于「两组一样」。 它只说明这批数据不足以断定有差别——可能真的没差，也可能差别存在但样本量不够把它检出来。看一眼均值差的 95% 置信区间通常就明白了：如果区间是 [-8.9, +0.4]，它同时容得下「几乎没差」和「差了将近 9 分」，这离「两组相等」很远。真要论证「两者没有实质差别」，必须先定义多大算没差别，那是另一套设计，不能靠一个不显著的 p 反推。
方差齐性检验不显著，同样不是「证明了方差相等」。 它和上一条是同一个逻辑。本模块的做法是：方差齐性检验显著就自动改用 Welch 校正，此时自由度会是小数（如 df = 137.4）——这是正常的，写进论文时不要四舍五入成整数。
显著与否和差异大小是两回事。 样本量翻四倍，同样的均值差算出来的 t 值大致翻一倍。所以大样本里 p 小于 0.001 可能对应一个业务上毫无意义的差距；小样本里一个很可观的差距也可能不显著。值不值得据此行动，要看效应量和均值差的实际单位，不是看 p 有没有跨过 0.05。
分组变量得真的是「组」。 把一个连续变量（比如年龄）人为砍成「高 / 低」两组再做 t 检验，会丢掉大量信息，而且结论依赖你砍在哪一刀——换个切点结论可能就反了。这种情况通常应该直接做回归。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。