如何避免因样本量过小导致R中t.test()函数报错？

要彻底避免t.test()的报错，需要同时检查两个核心条件：

• 组内样本量小于2：t检验的自由度为n-1，当n=1时自由度为0，根本无法计算置信区间
• 组内样本方差为0：所有观测值完全相同，此时标准误为0，t检验无法进行计算

另外注意：直接用sd(var) == 0判断方差为0可能因为浮点运算误差失效，建议用sd(var) < 1e-8这种容错性更强的判断方式。

修改后的代码如下：

library(tidyverse)
n <- 10

test_df <- data.frame(var = sample(1:5, size=n, replace=TRUE),
                      grp = sample(c("A", "B", "C"), size = n, replace=TRUE))

test_df %>%
  group_by(grp) %>%
  summarise(mean = mean(var, na.rm=TRUE),
            n = n(),
            uci = if(n < 2 | sd(var, na.rm=TRUE) < 1e-8) {
              NA
            } else {
              t.test(var, conf.level = .95)$conf.int[[2]]
            },
            lci = if(n < 2 | sd(var, na.rm=TRUE) < 1e-8) {
              NA
            } else {
              t.test(var, conf.level = .95)$conf.int[[1]]
            })

为什么之前的方法失效？ #

你之前只检查了方差为0的情况，但当随机抽样出现某组样本量仅为1时，t.test()依然会报错——这就是多次运行代码偶尔报错的原因。同时加上样本量的判断，就能覆盖所有导致t.test()无法计算的场景。

内容的提问来源于stack exchange，提问作者D. Studer