Python已知两样本总体方差时如何执行ttest_ind假设检验

已知总体方差的两独立样本差异检验实现方案 #

核心说明 #

首先明确：两独立样本差异检验中，如果总体方差已知，不需要使用t检验，应直接采用Z检验。scipy的ttest_ind、statsmodels的t检验相关接口本身是为「总体方差未知，用样本方差估计」的t检验场景设计的，所以没有传入已知总体方差的参数，找不到对应实现是正常的。

实现方法 #

方法1：手动实现Z检验（最灵活，适配已知总体方差场景）

直接套用Z检验公式计算统计量和p值即可，代码示例：

import numpy as np
from scipy.stats import norm

# 已知参数：两组的样本均值、样本量、总体方差
mean1, n1, sigma1_sq = 12.5, 50, 4.2  # 第一组均值、样本量、总体方差
mean2, n2, sigma2_sq = 10.8, 45, 3.7  # 第二组均值、样本量、总体方差

# 计算Z统计量
z_score = (mean1 - mean2) / np.sqrt(sigma1_sq/n1 + sigma2_sq/n2)
# 计算双侧检验p值
p_value = 2 * (1 - norm.cdf(np.abs(z_score)))

print(f"Z统计量: {z_score:.4f}, 双侧p值: {p_value:.4f}")

如果是单侧检验，直接调整p值计算逻辑即可，比如左单侧检验p值为norm.cdf(z_score)，右单侧为1 - norm.cdf(z_score)。

方法2：基于DescrStatsW实现

DescrStatsW本身没有直接支持传入已知总体方差的检验接口，如果一定要用statsmodels生态的功能，可以手动指定方差参数后调用Z检验相关逻辑，不过相比手动实现没有明显优势：

from statsmodels.stats.weightstats import DescrStatsW
import numpy as np
from scipy.stats import norm

# 原始样本数据
sample1 = np.random.normal(12.5, np.sqrt(4.2), 50)
sample2 = np.random.normal(10.8, np.sqrt(3.7), 45)
# 已知总体方差
sigma1_sq, sigma2_sq = 4.2, 3.7

d1 = DescrStatsW(sample1)
d2 = DescrStatsW(sample2)

# 计算差异时手动替换为已知总体方差
z_score = (d1.mean - d2.mean) / np.sqrt(sigma1_sq/d1.nobs + sigma2_sq/d2.nobs)
p_value = 2 * (1 - norm.cdf(np.abs(z_score)))

注意事项 #

• 不要尝试用ttest_ind的equal_var参数适配已知总体方差场景，该参数仅用于控制t检验中是否假设两总体方差相等，本质还是用样本方差做估计，和已知总体方差的场景逻辑完全不同。
• 如果总体方差已知但样本量很小，也可以直接用Z检验，不需要调整为t检验，t分布的修正仅适用于方差未知的小样本场景。

内容的提问来源于stack exchange，提问作者Gabriel Lira