Keep on Fighting!

传统统计教科书大多会提及t检验中方差齐性这个问题，因为检验的假设条件是需要总体方差相等的。然而这个问题实际上可能并没有人们想象的那么重要，这里给两个简单的数值计算结果，看看方差不等对检验结果有什么影响。

par(mar = c(4, 4, 0.5, 0.5), mfrow = c(1, 2))
set.seed(123)
plot(pval <- t(replicate(1000, {
    x1 = rnorm(100, mean = 0, sd = runif(1, 0.5, 1))
    x2 = rnorm(100, mean = 1, sd = runif(1, 2, 5))
    c(t.test(x1, x2, var.equal = TRUE)$p.value, t.test(x1, x2,
        var.equal = FALSE)$p.value)
})), xlab = "P-value: equal variance", ylab = "P-value: unequal variance",
    pch = 20, asp = 1)
abline(0, 1)
plot(pval[, 1], pval[, 2] - pval[, 1], xlab = "P-value: equal variance",
    ylab = "Diff of p-values (unequal var - equal var)", pch = 20)

过程是：从两个正态总体中生成样本，第一个总体均值为0，标准差随机取自U(0.5, 1)，第二个总体均值为1，标准差取自U(2, 5)，显然两个总体标准差不相等，那么在t检验时设定和不设定方差相等的选项对结果有多大影响？把两种情况的P值都画出来：左图是原始P值，可见基本在对角线上，说明大致相等，若眼神儿不好，可看右图，即P值的差异，可见方差不等时P值偏大（原因很简单，因为Welch校正的自由度小于等于不校正的自由度，样本量相等的时候统计量的分母即标准误一样，因此统计量完全一样，自由度越小，P值越大嘛），但大多少呢？其实也没大多少。

我从来不觉得对“自由度”这个概念作出解释有什么用，或者说，把自由度与自由挂钩是一件没什么意义的事情。常常见人问，“为什么自由度是n – p -1（或者其它数值）”这样的问题，我认为，数学上证明了统计量有什么样的性质就足够了，干嘛要费尽心思去解释DF这个数字呢。自由度说到底在统计学里面最终是用到了某个统计分布的参数中（比如χ²、t或F分布等），是否解释数值的由来对于解决问题毫无帮助。样本标准差用n作分母对总体标准差的估计来说是有偏估计，用n – 1就是无偏估计了，非要琢磨一下这个-1是为什么吗？有的整数自由度琢磨半天也许七拼八凑能找出一种解释方式，那要是遇上分数的自由度呢，怎么凑？（样本量不相等、总体方差也不相等的两独立样本t检验往往就是这样，t分布的自由度不是整数）

Wikipedia上对于“Degree of Freedom”的解释也比较空洞，寥寥数语讲了一件盒子里摆球的故事，很简单，但也不知道用意何在（这是Wikipedia上至今为止第一个我看了之后觉得没讲清楚的页面）。

不过在搜索”Degree of Freedom”的时候倒是发现了这个网页，里面关于正态分布和t分布的解释仍然像一些教科书一样给人一个完全糊涂的概念，认为用Z还是用t取决于样本量，大于30就正态了，否则就只能用t。扯啊。当然，它关于自由度的解释也仍然是：糊涂。