当比较两组数据是否差异显著时，可用参数检验和非参数检验。因为参数检验会更加准确，所以一般会先用参数检验。不同的参数检验方法有不同的要求，如果不满足要求，可以对数据进行转换，如果转换后也无法达到要求，再用非参数检验。

              数据检验方法无脑选择流程图

1. 参数检验

参数检验数据都要满足正态分布或近似正态分布

1.1 数据处理
1.1.1 检验数据是否符合正态分布
由于参数检验都要求数据符合正态分布，所以检查数据是否符合。常用的检测方法有两种，KS-检验和 SW-检验。如果检验结果 P 值大于 0.05，则数据符合正态分布。

参考链接： https://blog.csdn.net/weixin_39796839/article/details/111089672

以下用 python 进行举例，也可用 spss 软件分析
大样本量（>50）用 KS-检验（Kolmogorov-Smirnov test）

# 检验一组数据是否符合正态分布
from scipy.stats import kstest
import numpy as np
 
x = np.random.normal(0,1,1000)
test_stat = kstest(x, 'norm')
# >>> test_stat
#(0.021080234718821145, 0.76584491300591395)
# p 值 = 0.765 > 0.05 , 符合正态分布
# 如果 p 值小于 0.05 则不符合正态分布

小样本量(3-50)用 SW-检验（Shapiro—Wilk test）

# 检验一组数据是否符合正态分布
from scipy.stats import shapiro
import numpy as np
x = np.array([4,8,15,7,15])
test_stat_sw = shapiro(x)
test_stat_sw
# >>> test_stat
# (0.8645032644271851, 0.24487225711345673)
# p 值 = 0.244 > 0.05 , 符合正态分布
# 如果 p 值小于 0.05 则不符合正态分布

1.1.2 数据转化为正态分布的方法及适用数据
如果数据经过正态检验后不符合，就需要对数据进行转换，使之符合正态分布。转换完成后就可以按照需求挑选检验方法。

参考链接： https://blog.csdn.net/zhouxuechao/article/details/114290696

• 对数变换：服从对数正态分布的数据。 平方根变换：服从 Poission 分布的数据。
• 倒数变换：资料两端波动较大的数据，可使极端值的影响减小。
• 平方根反正弦变换：服从二项分布的率或百分比的数据。
• box-cox 变化：连续的响应变量不满足正态分布的数据。

1.2 t 检验
适用：两组数据间小样本量的比较（小于 30 个数据）
途径：比较均值
要求：所有 t 检验数据都要服从正态分布，或近似正态分布。

• 单样本 t 检验：比较一组和一个数据间有无差异。
• 成对样本 t 检验：比较成对样本间的差异。
• 独立样本 t检验：要满足方差齐性检验，比较两组数据间的差异，两组数据个数可以不同。

1.3 F 检验
适用：两组或多组数据间的比较。适合大样本量的比较，小样本量也可以分析。
途径：比较均值

• 方差齐性检验：用来检验方差齐性。
• 方差分析：分离各有关因素并估计其对总变异的作用，分析因素间的交互作用。
• 线性回归显著性分析：显著呈线性，不显著可能是非线性。

2. 非参数检验

2.1 卡方检验
适用：比较两组数据是否属于同一个类别。
途径：通过比较预测值和真实值之间的差异，来定性。

参考内容
方差分析、T 检验、卡方分析如何区分？
链接： https://zhuanlan.zhihu.com/p/57756620?utm_source=qq