卡方检验和t检验的区别：一文看懂两种最常用统计检验（2026最新版）

在医学、生命科学、心理学、教育学以及社会科学研究中，卡方检验（Chi-square Test）和t检验（Student's t-test）几乎是使用频率最高的两种统计方法。然而，每年仍有大量论文因为统计方法选择错误而被审稿人指出："Statistical analysis is inappropriate."（统计分析方法选择不当）。

很多初学者都会遇到类似的问题：

• 男女性别比例应该用什么检验？
• 两组平均年龄比较应该用什么？
• 治疗组和对照组治愈率比较怎么办？
• 实验组和对照组蛋白表达量比较又该怎么办？

事实上，只要理解数据类型和研究目的，选择并不困难。本文将详细介绍卡方检验和t检验的区别、适用场景、计算原理、实例分析以及科研论文中的正确写法，帮助科研人员快速掌握两种统计方法。

什么是t检验？

t检验由英国统计学家William Sealy Gosset提出，主要用于比较两组均值是否存在统计学差异。

简单来说，它回答的是一个问题：两组连续变量的平均值是否真的不同，还是这种差异只是随机误差造成的？

例如：

• 两组患者平均年龄是否不同？
• 两种培养条件下细胞增殖速度是否不同？
• 药物处理前后血糖是否下降？
• 两种PCR方法Ct值是否存在差异？

这些都属于t检验的应用范围。t检验要求分析的数据属于连续变量，例如：

• 年龄
• BMI
• 血压
• 血糖
• 基因表达量
• OD值
• Ct值
• 身高、体重

这些变量既可以计算平均值，也具有实际数值意义。

什么是卡方检验？

卡方检验完全不同。它并不是比较平均值，而是比较频数或比例是否存在差异。

它回答的问题是：

不同类别之间是否存在关联或差异？

例如：

• 男女性别比例是否不同？
• 两组患者死亡率是否不同？
• 是否吸烟与是否患癌有关？
• 疫苗接种率是否存在地区差异？

这里的数据都不是具体数值，而是分类后的计数。

例如：

这里比较的是治愈率，因此应采用卡方检验，而不是t检验。

卡方检验和t检验最大的区别

二者最大的区别其实只有一句话：t检验分析平均值，卡方检验分析人数（频数）或比例。为了更容易理解，可以总结如下：

很多SCI论文中的Table 1正是按照这一原则进行统计：

例如：

这是目前国际医学期刊最常见的写法。

两种检验的统计原理有什么不同？

虽然研究者不一定需要手工计算，但了解基本原理有助于正确选择方法。

t检验关注的是两组均值之间的差异相对于组内变异（随机误差）的大小。差异越大、组内波动越小，越容易得到具有统计学意义的结果。

卡方检验则比较观察到的频数（Observed Frequency）与理论期望频数（Expected Frequency）之间的偏离程度。如果观察值与期望值差异很大，就说明变量之间可能存在关联，而不是随机波动造成的。

如何快速判断该用哪一种？

科研中最快的方法就是先问自己一个问题：我要比较的是"平均值"，还是"人数/比例"？如果答案是平均值，那么通常考虑t检验；如果答案是人数、频数或比例，则通常考虑卡方检验。

例如：

对于大多数SCI论文，这一判断原则已经能够覆盖绝大多数基础统计分析。

使用条件也有所不同

统计检验并非可以随意使用，两种方法都有各自的前提条件。

t检验通常要求：

• 数据属于连续变量；
• 样本之间相互独立（独立样本t检验）或成对对应（配对t检验）；
• 数据近似服从正态分布（Normal Distribution）；
• 独立样本t检验还通常要求方差齐性（Homogeneity of Variance），若不满足，可采用Welch's t-test。

卡方检验通常要求：

• 数据为分类变量；
• 每个观察对象只能属于一个类别；
• 样本相互独立；
• 列联表中期望频数不宜过低。一般建议80%以上单元格的期望频数≥5，且所有期望频数≥1；若条件不满足，可考虑采用Fisher精确检验。

这些假设条件也是SCI论文审稿人经常检查的内容。

SCI论文中如何描述？

目前国际期刊最常见的统计学写法如下：

Continuous variables were expressed as mean ± standard deviation (SD) and compared using Student's t-test. Categorical variables were expressed as frequencies (percentages) and compared using the chi-square test or Fisher's exact test when appropriate.

中文可表述为：

连续变量以均值±标准差（Mean ± SD）表示，采用Student's t检验进行比较；分类变量以例数（百分比）表示，采用卡方检验；当期望频数较低时，采用Fisher精确检验。

这一写法符合多数医学、生物学及公共卫生领域SCI期刊的统计学描述规范。

常见错误

初学者在统计分析中容易出现以下错误：

第一，将连续变量人为分组后再使用卡方检验。例如把年龄划分为"＜60岁"和"≥60岁"进行分析，会损失信息和统计效率，除非研究设计确有需要。

第二，用t检验分析分类变量。例如比较"男女比例"、"是否吸烟"、"是否治愈"等，这些都属于分类数据，应采用卡方检验。

第三，没有检查t检验的前提条件。若数据明显偏离正态分布，可考虑采用非参数检验（如Mann–Whitney U检验或Wilcoxon符号秩检验）。

第四，忽略了卡方检验对期望频数的要求。当样本量较小或列联表中存在较低期望频数时，应改用Fisher精确检验，而不是继续使用普通卡方检验。

最后

卡方检验和t检验虽然都是科研中最基础、最常用的统计方法，但它们解决的是完全不同的问题。

如果研究关注的是连续变量的均值差异，例如年龄、血压、蛋白表达量、Ct值等，应优先考虑t检验；如果研究关注的是分类变量的频数或比例差异，例如性别构成、治愈率、阳性率、死亡率等，则应采用卡方检验。

在正式开展统计分析之前，建议先明确变量类型、研究目的以及检验方法的适用条件，并结合正态性检验、方差齐性检验或期望频数检查，确保统计分析符合规范。正确选择统计方法不仅能够提高研究结论的可信度，也能减少论文在同行评审过程中因统计学问题而被质疑的风险。