为什么单尾t检验计算中将p值除以2的操作是正确的？

首先scipy内置的ttest_1samp、ttest_ind等t检验相关函数，默认返回的p值均为双尾检验结果，将该p值除以2得到单尾检验p值的操作，建立在t分布对称的前提上，逻辑完全自洽。

核心原理 #

双尾检验的p值定义为：原假设成立时，得到绝对值大于等于当前观测t统计量的结果的概率，等价于t分布曲线下，正负两侧超出观测t统计量绝对值的尾部面积之和。
而单尾检验的p值仅统计单一方向的尾部面积，由于t分布是关于0对称的分布，左右两侧的尾部面积完全相等，因此双尾p值天然等于同方向单尾p值的2倍，直接除以2即可得到对应方向的单尾p值，整个过程中观测t统计量本身没有发生变化，不需要调整。

常见疑问澄清 #

你提到的“单尾临界值1.645、双尾临界值1.96”的差异，和p值除以2的操作并不冲突，这是两类完全不同的概念：

• 1.645、1.96是显著性水平α=0.05时的检验阈值，双尾检验需要把0.05的显著性水平拆分到两侧各0.025，因此需要更大的统计量才能达到显著；单尾检验把全部0.05放在同一侧，因此阈值更低
• p值除以2是计算实际观测结果对应的尾部概率，同一个观测t统计量对应的单侧尾部面积永远是双侧尾部面积的一半，和阈值的设定没有关系

数学证明 #

设$T$为服从自由度为$df$的t分布的随机变量，$t_{obs}$为实际计算得到的观测t统计量：

1. 双尾检验p值定义：
   $p_{two} = P(|T| \geq |t_{obs}|) = P(T \geq |t_{obs}|) + P(T \leq -|t_{obs}|)$
2. 由t分布的对称性可得：$P(T \geq |t_{obs}|) = P(T \leq -|t_{obs}|)$
3. 代入上式可推导得：$p_{two} = 2 \times P(T \geq |t_{obs}|)$
4. 若你预设的是右尾单尾检验（备择假设为参数大于原假设取值），且观测$t_{obs} > 0$，则单尾p值：
   $p_{one} = P(T \geq t_{obs}) = P(T \geq |t_{obs}|) = \frac{p_{two}}{2}$
5. 若你预设的是左尾单尾检验（备择假设为参数小于原假设取值），且观测$t_{obs} < 0$，则单尾p值：
   $p_{one} = P(T \leq t_{obs}) = P(T \leq -|t_{obs}|) = \frac{p_{two}}{2}$

注意事项 #

• 该操作仅适用于你在开展检验前就预先确定了检验方向的场景，禁止在得到双尾检验结果后，临时调整检验方向将p值除以2凑显著性，该行为属于p-hacking
• 若观测t统计量的方向和你预设的备择假设方向相反，此时单尾p值应为$1 - \frac{p_{two}}{2}$，对应结果必然不显著

内容的提问来源于stack exchange，提问作者noxmitt