配对样本T检验

这个方法是做什么的

用来回答一个很具体的问题：同一批对象在两种条件下的测量值，平均而言有没有变化。

它不是把两列数字各自算个平均再比大小，而是先逐行相减得到「差值」，再检验这批差值的平均是不是 0。所以它真正分析的对象只有一列——差值。

正因为分析的是差值，个体之间的底子差异被消掉了：底子好的人前后都高、底子差的人前后都低，这部分波动不进入误差。这就是配对设计比「把两列当成两批人来比」更灵敏的原因。

典型场景是「同一个对象量两次」或「一对一匹配」：

判断标准只有一条：你能说清楚第 i 行的两个数为什么属于同一个对象。能说清楚就该用配对；说不清楚就不该用。

配对是按行号配的，配错了系统不会报错。 本模块把两个拖拽区里同一行的两个数当作同一个对象的两次测量。如果你的数据在导出时按某一列排过序，或者两列的行顺序本来就来自不同的名单，算出来的差值就是一堆随机组合——检验照样会给出一个 t 值和 p 值，看不出任何异常。跑之前先确认两列是行对齐的。
差值的方向是「变量1 减变量2」，不是「后减前」。 结果里出现负号只说明变量2那一列更大，不等于「下降」。先看清楚你把哪一列拖进了哪个区。
p 值不是「两次测量没有差别的概率」，也不代表差别有多大。 它回答的是：假如总体上真的没有差别，单凭抽样波动看到当前这么大（或更大）的差值有多不容易。样本量足够大时，一个小到没有业务意义的差值也能做出 p 小于 0.001。差别有多大要看第四张卡的效应量，以及主结果表里差值的置信区间。
前后有差异不等于干预起了作用。 单组前后测里，时间本身、被试熟悉了测验、以及「第一次测得特别低的人第二次自然会回升」（回归到均值）都能造出差异。要把差异归因于干预，需要对照组和随机分组，光靠这个检验做不到。

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。