大 N 的简单 t 检验我知道这应该很明显......我有一张堆叠的桌子。 用 x 拟合 y 给出了一个漂亮的图，向我展示了 A 类的平均值高于 B 类（它有点微妙，但它就在那里）。 p 值支持它，但当然它会支持它，因为 N 以千计。 ANOM 还表明，这两种均值都不同于整体均值，但我想我在这里也会遇到同样的问题。 方差是不同的正态分布。 这里最好的方法是什么？ 将 0.05 除以 N 并使用该值来确定显着性？ 根本不使用显着性并查看置信区间？ 任何和所有的建议都非常感谢！
回复：大 N 的简单 t 检验如果我正确理解你的情况，你有一个“统计”差异，但你不确定你有一个“实际”差异。那是对的吗？
仅仅因为使用假设检验检测到差异，并不意味着该差异实际上是显着的。
观察到的差异需要与正常的过程变化、实际要求和样本大小进行权衡。
有时样本量太大（通过方便可用数据），非常小的差异将显示为显着
统计上的显着差异并不总是实际差异。确定您认为的“实际”差异是一个很好的做法
我们使用了 JMP 的“等效测试”
JMP 帮助 => https://www.jmp.com/support/help/en/15.0/#page/jmp/test-equivalence.shtml?os=win&source=application#ww1301938
等价检验评估总体均值是否等于假设值。 您必须定义一个被视为等同于无差异的阈值差异。 测试等效选项使用两个单面测试 (TOST) 方法。 对于真实均值与假设值之差超过阈值的零假设，构造了两个单边 t 检验。 如果两个零假设都被拒绝，这意味着真正的差异没有超过阈值。 您得出结论，可以认为平均值实际上等同于假设值。
当您选择检验等价选项时，您指定假设均值、阈值差（差值实际上为零）和置信水平。 置信水平为 1 - alpha，其中 alpha 是每个单面检验的显着性水平
回复：大 N 的简单 t 检验感谢大家。 是图像数据。 每个像素都可以被认为是一个独立的测量，检测计数，我运行我的成像实验，以确保在每个像素上我都有基于泊松计数统计的良好精度（没有需要担心的背景）。 基于其他相关图像数据，可以对像素组进行聚类以表示“特征”。 我正在尝试找出最好的方法来显示例如的平均值。组成特征 A 的 10,000 个像素与组成特征 B 的 15,000 个像素的平均值不同。 有时我认为我想太多了，有时我认为这不是那么简单。
回复：大 N 的简单 t 检验不要把方法放在问题前面......你试图用你的数据回答什么问题？ 你的数据代表什么？ 它是从哪里来的（比如你为什么这么幸运有这么多的观察结果）？ 根据这些数据做出哪些决定？ （就“重要性”而言，5 美元的决定比 500 万美元的决定产生的影响要小）。 您可能需要考虑哪些其他变量？ 数据有时间元素吗？ 不断地...... 我喜欢置信区间、自举和抽样的想法，但前提是它们作为回答数据背后问题的一种方式是有意义的。回复：大 N 的简单 t 检验你可以更彻底。 您可以使用引导程序如果您有 JMP Pro，则该功能。 它将基于数千个样本生成统计数据的经验抽样分布（例如，均值差异），并生成包含结果的数据表，以便在分布平台中进行分析。
回复：大 N 的简单 t 检验然后你需要开始考虑调整测试的数量。
回复：大 N 的简单 t 检验谢谢吉姆，
好主意，简单，总是好的。 我在想如果我想更彻底一点，我可以重复这个过程 10-15 次并查看 p 值的分布。
最好的，
格雷格
回复：大 N 的简单 t 检验处理此问题的一种简单方法是创建数据的分层随机子集，每组包含 30 个观察值，然后运行 t 检验。
