数据准备
t检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n <30），总体标准差σ未知的正态分布。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
t检验的适用条件为样本分布符合正态分布。
R中检验正态分布的函数：
shapiro.test()
结果p值要是小于0.05，样本分布是非正态分布，如果大于0.05，样本分布是正态分布。
t检验可分为单总体检验和双总体检验，以及配对样本检验。
单总体t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著。
个人理解的应用实例：已知一个玉米品种的产量是8000 kg/ha，在一个田间试验中测定这个玉米品种的产量，单样本t检验要做的就是检验田间试验测定的产量与已知产量是否相等。
单样本t检验的假设：
H0：样本均值与已知的总体均值相等。
H1：样本均值与已知的总体均值不相等。
t统计量的计算：
m：样本平均值；
：已知总体的均值；
S：样本标准差，自由度df=n-1。
n：样本量。
单样本t检验R调用函数：
t.test(x, mu, alternative = "two.sided")
x：数据向量；
mu：理论平均值。默认为0，可根据自己统计计算需求更改；
alternative：备择假设。允许值为“two.sided”（默认），也可以根据需要设置为“greater”或“less”之一。
结果解释：p值小于0.05，结论是v1的平均值与理论值1.5有显著差异。
检验两个样本平均数与其各自所代表的总体的差异是否显著。
个人理解的应用实例：检验两个玉米品种产量是否存在差异。
t.test(y ~ x, data)
其中的y是一个数值型变量，x是一个二分变量。
t.test(y1, y2)
其中的y1和y2为数值型向量（即各组的结果变量）。可选参数data的取值为一个包含了这些变量的矩阵或数据框。
t检验默认假定方差不相等，并使用Welsh的修正自由度。你可以添加一个参数var.equal=TRUE以假定方差相等，并使用合并方差估计。默认的备择假设是双侧的（即均值不相等，但大小的方向不确定）。你可以添加一个参数alternative="less"或alternative="greater"来进行有方向的检验。
结果解读：得到结果中P值小于0.05，说明要拒绝原假设（两品种v1值无差异），接受备择假设，即两品种v1值差异显著。
非独立样本的t检验假定组间的差异呈正态分布。
个人理解的应用实例：一个玉米品种接受两个施氮处理，两个施氮处理下玉米的产量是否存在差异。
t.test(y1, y2, paired=TRUE)
其中的y1和y2为两个非独立组的数值向量。
结果解读：不同氮素水平的比较显示p值小于0.05，说明v1值在两个氮水平间差异显著；而两个年份下v1值无显著差异。
如果想在多于两个的组之间进行比较，应该怎么做？如果能够假设数据是从正态总体中独立抽样而得的，那么你可以使用方差分析（ANOVA）。ANOVA是一套覆盖了许多实验设计和准实验设计的综合方法。
参考资料：
使用R语言进行协整关系检验协整检验是为了检验非平稳序列的因果关系，协整检验是解决伪回归为问题的重要方法。首先回归伪回归例子：
伪回归Spurious regression伪回归方程的拟合优度、显著性水平等指标都很好，但是其残差序列是一个非平稳序列，拟合一个伪回归:
#调用相关R包
library(lmtest)
library(tseries)
#模拟序列
set.seed(123456)
e1=rnorm(500)
e2=rnorm(500)
trd=1:500
y1=0.8*trd+cumsum(e1)
y2=0.6*trd+cumsum(e2)
sr.reg=lm(y1~y2)
#提取回归残差
error=residuals(sr.reg)
#作残差散点图
plot(error, main="Plot of error")
#对残差进行单位根检验
adf.test(error)
## Dickey-Fuller = -2.548, Lag order = 7, p-value = 0.3463
## alternative hypothesis: stationary
#伪回归结果，相关参数都显著
summary(sr.reg)
## Residuals:
## Min 1Q Median 3Q Max
## -30.654 -11.526 0.359 11.142 31.006
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -29.32697 1.36716 -21.4 <2e-16 ***
## y2 1.44079 0.00752 191.6 <2e-16 ***
## Residual standard error: 13.7 on 498 degrees of freedom
## Multiple R-squared: 0.987, Adjusted R-squared: 0.987
## F-statistic: 3.67e+04 on 1 and 498 DF, p-value: <2e-16
dwtest(sr.reg)
## DW = 0.0172, p-value <2.2e-16
恩格尔-格兰杰检验Engle-Granger第一步：建立两变量（y1,y2）的回归方程，第二部：对该回归方程的残差(resid)进行单位根检验其中，原假设两变量不存在协整关系，备择假设是两变量存在协整关系。利用最小二乘法对回归方程进行估计，从回归方程中提取残差进行检验。
set.seed(123456)
e1=rnorm(100)
e2=rnorm(100)
y1=cumsum(e1)
y2=0.6*y1+e2
# (伪)回归模型
lr.reg=lm(y2~y1)
error=residuals(lr.reg)
adf.test(error)
## Dickey-Fuller = -3.988, Lag order = 4, p-value = 0.01262
## alternative hypothesis: stationary
error.lagged=error[-c(99,100)]
#建立误差修正模型ECM.REG
dy1=diff(y1)
dy2=diff(y2)
diff.dat=data.frame(embed(cbind(dy1, dy2),2))#emed表示嵌入时间序列dy1,dy2到diff.dat
colnames(diff.dat)=c("dy1","dy2","dy1.1","dy2.1")
ecm.reg=lm(dy2~error.lagged+dy1.1+dy2.1, data=diff.dat)
summary(ecm.reg)
## Residuals:
## Min 1Q Median 3Q Max
## -2.959 -0.544 0.137 0.711 2.307
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.0034 0.1036 0.03 0.97
## error.lagged -0.9688 0.1585 -6.11 2.2e-08 ***
## dy1.1 0.8086 0.1120 7.22 1.4e-10 ***
## dy2.1 -1.0589 0.1084 -9.77 5.6e-16 ***
## Residual standard error: 1.03 on 94 degrees of freedom
## Multiple R-squared: 0.546, Adjusted R-squared: 0.532
## F-statistic: 37.7 on 3 and 94 DF, p-value: 4.24e-16
par(mfrow=c(2,2))
plot(ecm.reg)
Johansen-Juselius(JJ)协整检验法，该方法是一种用向量自回归(VAR)模型进行检验的方法，适用于对多重一阶单整I(1)序列进行协整检验。JJ检验有两种：特征值轨迹检验和最大特征值检验。我们可以调用urca包中的ca.jo命令完成这两种检验。其语法：
ca.jo(x, type = c("eigen", "trace"), ecdet = c("none", "const", "trend"), K = 2,spec=c("longrun", "transitory"), season = NULL, dumvar = NULL)
其中：x为矩阵形式数据框；type用来设置检验方法；ecdet用于设置模型形式：none表示不带截距项，const表示带常数截距项，trend表示带趋势项。K表示自回归序列的滞后阶数；spec表示向量误差修正模型反映的序列间的长期或短期关系；season表示季节效应；dumvar表示哑变量设置。
set.seed(12345)e1=rnorm(250,0,0.5)e2=rnorm(250,0,0.5)e3=rnorm(250,0,0.5)#模拟没有移动平均的向量自回归序列；u1.ar1=arima.sim(model=list(ar=0.75), innov=e1, n=250)u2.ar1=arima.sim(model=list(ar=0.3), innov=e2, n=250)y3=cumsum(e3)y1=0.8*y3+u1.ar1y2=-0.3*y3+u2.ar1#合并y1,y2,y3构成进行JJ检验的数据库；y.mat=data.frame(y1, y2, y3)#调用urca包中cajo命令对向量自回归序列进行JJ协整检验vecm=ca.jo(y.mat)jo.results=summary(vecm)#cajorls命令可以得到限制协整阶数的向量误差修正模型的最小二乘法回归结果vecm.r2=cajorls(vecm, r=2)vecm.r2## Call:lm(formula = substitute(form1), data = data.mat)## Coefficients:## y1.d y2.d y3.d## ect1 -0.33129 0.06461 0.01268## ect2 0.09447 -0.70938 -0.00916## constant 0.16837 -0.02702 0.02526## y1.dl1-0.22768 0.02701 0.06816## y2.dl1 0.14445 -0.71561 0.04049## y3.dl1 0.12347 -0.29083 -0.07525## $beta## ect1 ect2## y1.l2 1.000e+00 0.0000## y2.l2 -3.402e-18 1.0000## y3.l2 -7.329e-01 0.2952
样本量较小（n<30），且总体方差未知时，使用T检验。T检验通过比较不同数据的均值，研究两组数据之间是否存在差异。大样本时用Z检验，但当样本量加大时，T分布与正态分布基本没有区别，因此大样本时也可直接使用T检验。
T检验的分类：
解：按题意，需检验
H0： μ ≤ 225 H1: μ > 225
此问题属于单边检验问题,可以使用R语言t.test
可见P值为0.257 >0.05 ，不能拒绝原假设。接受H0，即平均寿命不大于225小时。
解1：根据题意，需要假设
H 0 ：μ 1 ≥ μ 2
H 1 ：μ 1 < μ 2
因为数据是成对出现的，所以采用配对样本t检验更准确。所谓配对t检验就是Z i =X i -Y i ，再对Z进行单样本均值检验。
可见P值 <0.05，拒绝原假设，接受备择假设，即新的操作能够提高得率。
独立样本t检验需要检验其适用条件，主要是指方差齐性，其他条件：样本独立性一般数据可以保障。t检验对样本正态性具有一定耐受性。
方差齐性可以用car包leveneTest函数检验：
其中，y是两组样本组成的数据，group是两组样本的分组情况。方差齐性检验之后，才可进行独立样本t检验。
解：方差齐性检验：
结果显示，P=0.5505＞0.05。说明方差齐性。
独立样本t检验：
结果显示P=0.5632>0.05，不拒绝原假设，说明两者没有区别。
解：先进行方差齐性检验
因为Pr=0.04343<0.05，拒绝原假设，即方差不齐。此时设定var.equal=FALSE，表示方差不齐，默认是TRUE，方差齐性。可采用t’检验、变量变换或秩和检验等方法。
因为p-value = 0.04121<0.05，拒绝原假设，即这种饲料含铁量在两地间有显著差异。
T检验使用起来很方便，但经常误用的情况包括：
（1）不考虑数据的正态性，只要是两组比较就直接使用t检验（如果不符合正态性，就要采用Wilcoxon检验）；
解决方法：对总体正态检验，或者样本数量>=30
（2）将t检验用于多组实验设计中的两两比较，增加假阳性错误（此时应该使用ANOVA）；
解决方法：使用F检验
（3）不考虑资料是否独立，采用独立资料进行t检验分析。
解决方法：检验样本之间的相关性，保证样本的独立性
