在日常工作中，经常会遇到这样的问题：两个班级的平均成绩有没有明显差别？某种新药是不是真的比旧药更有效？这些问题背后其实都藏着一个统计学工具——假设检验。很多人一听到这个词就头大，觉得得翻厚厚的教材、列复杂的公式。其实在R语言里，做假设检验没那么麻烦，几行代码就能搞定。
从一个例子开始
假设你在公司做用户调研，收集了两组用户对某个新功能的满意度评分。你想知道这个新功能是不是真的让用户更满意了。这时候就可以用R来做t检验。
先把数据输入R：
satisfaction_old <- c(3, 4, 3, 5, 4, 3, 4)
satisfaction_new <- c(5, 4, 5, 6, 5, 4, 5, 6)接着跑个独立样本t检验：
t.test(satisfaction_old, satisfaction_new)R会马上输出结果，包括t值、自由度、p值。重点关注p值，如果它小于0.05，通常就认为两组差异显著，说明新功能确实带来了变化。
不止t检验，还有更多选择
不是所有数据都适合t检验。比如你调查的是用户“满意”“一般”“不满意”这种分类数据，就得用卡方检验。
举个例子，你想看男女用户对功能的反馈是否有差异：
survey_data <- matrix(c(25, 15, 10, 20, 18, 12), nrow = 2, byrow = TRUE)
rownames(survey_data) <- c("Male", "Female")
colnames(survey_data) <- c("Satisfied", "Neutral", "Dissatisfied")
chisq.test(survey_data)运行完就能看到p值，判断性别和满意度之间有没有关联。
正态性检查别跳过
t检验有个前提：数据大致服从正态分布。可以先做个简单的检查：
shapiro.test(satisfaction_new)如果p值大于0.05，说明数据符合正态性，继续用t检验没问题。否则可能需要考虑非参数方法，比如Wilcoxon检验：
wilcox.test(satisfaction_old, satisfaction_new)配对数据怎么处理
有时候同一个用户用了新旧两个版本，你拿到了成对的数据。这时候要用配对t检验，更能反映真实变化。
before <- c(3, 4, 3, 5, 4)
after <- c(5, 4, 5, 6, 5)
t.test(before, after, paired = TRUE)加上paired = TRUE，R就知道这是配对数据，分析会更准确。
用R语言做假设检验，不需要手算公式，也不用担心出错。把数据准备好，选对方法，几行代码就能得出有说服力的结果。不管是写报告、做汇报，还是优化产品，都能快速拿到依据。工具就在手边，关键是怎么用起来。