两组定量数据的比较，主要的方法有两种。一种是成组两样本t检验，一种是非参数秩和检验（wilcoxon 两样本秩和检验）。
一般来说秩和检验是t检验的补充，如果t检验不适合，就会考虑秩和检验。所以统计分析时，要考虑t检验是否合适？条件是否满足？
总的来说，t检验要求的两组、定量、正态、独立、方差齐的数据比较。前面两个要求和wilcoxon 两样本秩和检验相同，差别在于t检验要求数据符合正态性、独立性、方差齐性三个要求。这里对三个“性”进行简单的解释。
正态性。正态性条件是要求各组数据的总体分布为正态分布。一般来说，要求正态性检验P>0.05。此外，实际操作上，P≤0.05，但直方图显示大致正态也可以（近似正态分布）。关于正态性问题，上一讲已经有所陈述。此外，这里的正态性要求，指的是“各组”数据（本例是2组数据）分别满足条件。
独立性。独立性的意思是，两组数据的观察值相互独立，指的是两组数据不存在着相互相关性。例如，某个临床研究有两组数据，分别是14名高血压患者降压药服用前的血压和服用后的血压。显然，如果有名患者服用前血压很高，那么服用后血压也不会低；反之，服用前血压不高，那么服用后血压也不会高，所以两组数据存在着相关性。一般情况下，医学研究，如果是随机化分组，那么两组数据一般可以认为是独立的。如果是配对设计，那么两组数据就不独立！所以独立性的特点，一般我们根据研究设计主观判断即可。
方差齐性。方差齐性的意思是两组数据的方差大致相同。所谓的方差是标准差平方，其实也意味着标准差大致相同。比如有两组数据分别20±10，20±20。这意味着标准差相差一倍，则方差相差3倍，方差大不同。这种情况也不能直接用t检验。方差齐性的论证也通过统计软件完成；如果方差不齐，那么有类似的代替方法！
何种场景可以采用两样本t检验呢？
1.t检验结论取决于研究设计
t检验是最基本的假设检验方法，在随机、对照、平行的实验性研究中，t检验的结论十分可靠，完全证明一个干预措施是否真正产生效果，或者干预措施和定量结局是否存在着因果关系。
但是t检验如果用在非干预性的观察性研究，比如比较男性、女性的体重有无差别，其结论不能说性别是体重的影响因素，只能说男性和女性体重存在着统计学差异，仅此而已。关于观察性研究t检验，后期再进行分析。
因此，t检验结果到底能够说明什么问题，取决于研究设计。
2.t检验三个条件正态性、方差齐性和独立性一般最好遵守，但是条件不是那么死板。
对于独立性，一般情况下都是符合的，除了配对设计之外，所有诸位也不用特别担心。方差齐性，这个条件影响其实不大，无论方差齐不齐，从广义上来说采用的都是t检验。
对于正态性，需要说道说道。上一讲day 2 我介绍过，我们可以把正态性分为三类，以方便操作。
第一：正态性检验P>0.05,直方图呈中间多两边少特征，显然首先t检验方法
第二：正态性检验P≤0.05（但一般小样本时P值>0.01）,直方图呈大致中间多两边少特征，我称之为近似正态分布，这种局面有可能一两个不太极端的异常值存在，或者本身临床上该指标是正态而选取样本有点奇怪造成。虽属于偏态分布，但t检验也可以用（毕竟用均数描述，进行t检验比较容易理解）；特别是一组正态分布而另外一组近似正态分布的时候，t检验毫无问题。但是，近似非参数检验方法肯定没有错。因此，近似正态分布可选择t检验，或者非参数检验，视情况而定。比如你开展多个指标进行分析，其中大多数都是t检验，一两个指标近似正态分布，那么干脆全部用t检验；相反，如果大多数都是严重偏态分布，即便一两个指标近似正态，也不妨弃用t检验。
第三：严重偏态，正态性检验P<0.05，任何一组数据直方图偏态情况比较严重,呈“一边倒现象”。造成该现象的原因在于，存在着严重的极端值，或者该指标理论上就是偏态分布。此时，不应该采用t检验。
有人会问，多大偏态才是很严重的偏态，我认为这没有界限，正如t检验和秩和检验没有明显界限一样，因此我才设置缓冲一类（近似正态）。有人建议用偏态系数来评价，我认为这只不过徒增事情的复杂性罢了。
3. 较大的样本（比如超过100的样本量）两组数据的比较，严重偏态分布是否可以采用t检验？
网络上、甚至统计学教材中认为，大样本资料可以无视正态性问题。他们认为“根据中心极限定理，无论样本来自何种分布，只要样本量足够大（一般认为样本量大于50即为足够大或者更大的100以上），其样本均值均近似服从正态分布。因此样本量较大时，完全可以忽视正态性问题，仍然可以采用参数检验方法”。
这是不对的。根据中心极限理论，采用t检验本身没有错。以均数为基础的t检验，是可以比较两组大样本数据均数的差异性。但是，两组严重偏态分布，我们不能用来均数来表现数据，不能用均数来描述它。t检验是可以说两组均数是否有差异，但是均数的差异不能说明两组严重偏态数据的差异性（至少也得用中位数体现呀）。因此，t检验结论无法反映两组严重偏态数据的分布差异性，哪怕你是大样本！
,
