使用statsmodels的ttost_paired进行配对样本等效性测试为何不显著？

核心参数与逻辑检查 #

1. 等效区间的数值转换
   你设定的是均值差异±10%，但ttost_paired的low和high参数需要传入绝对差值范围，而非百分比。比如若group1的均值为100，等效区间应设为low=-10、high=10，而非直接传入-0.1和0.1——如果误传百分比，等效区间会被压缩到极小范围，哪怕样本差异小也可能落在区间外，导致p值偏高。

2. 输入数据验证
   确认传入的group1和group2是长度完全一致的一维配对数组，无缺失值或异常值。配对样本的对应关系不能错乱，否则差值计算会完全失真。

3. 检验假设匹配
   ttost_paired的原假设确实是「均值差异在等效区间外」，备择假设为「均值差异在等效区间内」，和你的需求一致，这部分逻辑无问题。

代码对照示例 #

假设你的代码结构如下，可逐一核对：

import numpy as np
import statsmodels.stats.weightstats as ws

# 模拟配对样本（差异极小）
group1 = np.random.normal(100, 5, 100)
group2 = group1 + np.random.normal(0, 0.5, 100)

# 基于group1均值计算±10%的绝对等效区间
mean_g1 = np.mean(group1)
low = -0.1 * mean_g1
high = 0.1 * mean_g1

# 执行测试
t1, p1, t2, p2, combined_p = ws.ttost_paired(group1, group2, low, high)
print(f"组合p值: {combined_p}")

额外排查方向 #

• 样本量不足：若样本量太小，即使真实差异在等效区间内，检验功效也会不足，无法得到显著p值。可通过功效分析验证所需样本量。
• 差值分布偏离正态：配对t检验依赖差值近似正态分布，若差值分布严重偏态，可能影响结果准确性，可先绘制差值的直方图或Q-Q图验证。

内容的提问来源于stack exchange，提问作者Philipp