第4章：Z检验与t检验 — 适用场景对比、前提条件、检验统计量公式

在A/B测试的统计推断中，Z检验和t检验是评估两组差异是否显著的两种最常用方法。许多分析师容易在“到底该用哪一个”上犯错，根源在于混淆了总体方差是否已知、样本量大小、以及数据分布形态三个关键前提。本章从概念通识出发，通过对比、公式拆解和决策流程，帮你彻底厘清两者的边界。

4.1 核心概念定义

Z检验和t检验都属于参数检验，用于检验样本均值与总体均值是否存在显著差异（单样本），或两个独立样本的均值是否存在显著差异（双样本）。两者的数学逻辑完全相同：计算检验统计量，与临界值比较，得到p值。

关键区别在于：

• Z检验：假设总体方差σ²已知，或样本量足够大（通常n > 30）时可用样本标准差近似总体标准差。
• t检验：总体方差σ²未知，且样本量较小（n ≤ 30）时使用，通过样本标准差s估计σ，并引入自由度矫正。

4.2 前提条件对比

4.3 检验统计量公式

以下公式均以单样本均值检验为例（双样本公式类似，仅增加合并方差项）。

Z检验统计量

Z = (x̄ - μ₀) / (σ / √n)

其中：
x̄ = 样本均值
μ₀ = 原假设下的总体均值
σ = 已知的总体标准差
n = 样本量

t检验统计量

t = (x̄ - μ₀) / (s / √n)

其中：
s = 样本标准差（无偏估计）
自由度 df = n - 1

s = √[ Σ(xᵢ - x̄)² / (n-1) ]

4.4 实际应用边界（A/B测试场景）

在A/B测试实践中，绝大多数指标属于比例型（转化率、点击率）或均值型（人均时长、平均支付金额）。

• 比例类指标：通常用Z检验（更精确地说是双比例Z检验），因为比例的标准差可由原假设下的p₀直接计算（方差已知）。
• 均值类指标：总体方差几乎总是未知，所以应当优先选择独立样本t检验（Welch t检验更稳健，不假设方差相等）。即使样本量达到数万，t检验和Z检验的p值差异极小，但t检验不违反任何假设，是更安全的默认选择。
• 小样本A/B测试（每组几十到几百人）：必须使用t检验，否则会低估极端值的影响，导致假阳性率升高。

4.5 常见误区辨析

1. 误区一：“Z检验比t检验更精确”——错误。Z检验只在总体方差已知时才精确，否则使用未知方差会引入偏差。t检验通过自由度矫正反而更可靠。
2. 误区二：“大样本下t检验≈Z检验，所以用哪个都行”——原则上可以，但推荐统一使用t检验，因为它不需要额外假设方差已知，且软件默认输出t检验更普遍。
3. 误区三：“t检验要求数据严格正态”——轻度偏态对t检验的稳健性影响不大（中心极限定理在样本量≥30时已起作用），但严重偏态或存在极值时应考虑非参数检验（如Mann-Whitney U检验）。
4. 误区四：“Z检验只能用于均值”——实际上Z检验也广泛用于比例差异检验（如A/B测试的转化率对比），此时使用pooled标准误。

4.6 决策流程图：到底该用Z还是t？