1908 - Student t 檢定#

案件摘要#

1908 年，Guinness 啤酒廠的化學家 William Gosset 以筆名 "Student" 發表 t 檢定，解決了「樣本太少無法推論」的難題。這是統計史上最曲折的一樁案子：商業機密迫使偵探隱姓埋名，卻藏不住劃時代的發現。

前因 -- 為什麼會有這個案子#

Guinness 啤酒廠想用科學方法檢測大麥（barley）品質與釀酒條件。但現實是殘酷的：

每批實驗只能取少數幾份樣本（ \(n = 2 \sim 10\) ），大量取樣成本太高。
當時的檢定理論（如 Pearson 卡方）都是大樣本近似，樣本少時完全失靈。
用樣本標準差 \(s\) 代替母體 \(\sigma\) 會引入額外的不確定性，小樣本下這個誤差會被放大。

懸案：樣本 \(n\) 很小時， \(\bar{X}\) 的抽樣分佈到底是什麼？

線索與推理 -- 數學式、程式、理論#

線索一：Guinness 的商業機密（偵探故事）#

Guinness 曾因員工洩露釀造配方而蒙受損失，因此禁止員工發表任何研究。Gosset 想發表 t 檢定，只好： - 以筆名 "Student" 發表（據說是先用「學生」代筆簽名，再以此為名）。 - 論文不能提及 Guinness 與啤酒。

這解釋了為什麼這項影響巨大的發明，署名卻是化名——商業機密藏住了名字，藏不住數學。Gosset 在 Guinness 內部被稱為 "the student" 長達 30 年，直到 1937 年去世後真名才廣為人知。

線索二：t 統計量的定義#

當 \(X_1,\dots,X_n \overset{iid}{\sim} N(\mu, \sigma^2)\) ，且 \(\sigma\) 未知、以樣本標準差 \(s\) 估計時：

\[ t = \frac{\bar{X} - \mu}{s / \sqrt{n}}, \qquad s = \sqrt{\frac{1}{n-1}\sum_i (X_i - \bar{X})^2} \]

Gosset 用蒙地卡羅方法（取 750 個樣本、 \(n=4\) ，手算各組的 \(t\) 值）發現其分佈比常態更厚尾（fat tails）：

\[ f(t; \nu) = \frac{\Gamma\!\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\,\Gamma\!\left(\frac{\nu}{2}\right)} \left(1 + \frac{t^2}{\nu}\right)^{-\frac{\nu+1}{2}}, \quad \nu = n-1 \]

厚尾意味着：極端值出現的機率比常態分佈高，小樣本下用常態分佈會低估 p 值（過度自信）。
\(\nu = 1\) 為 Cauchy 分佈（均值不存在）； \(\nu \to \infty\) 時 t 分佈收斂到 \(N(0,1)\) 。

線索三：數學證明的補完#

Gosset 只是化學家，數學證明不夠嚴謹（他以蒙特卡羅為主、推導為輔）。1915 年 Fisher 補上了嚴格證明： - \(\bar{X}\) 與 \(s\) 在常態母體下獨立（這是 t 分佈成立的關鍵，也是 Fisher 的重要發現）。 - \((n-1)s^2/\sigma^2 \sim \chi^2_{n-1}\) ，且 \(\bar{X} \sim N(\mu, \sigma^2/n)\) ，故

\[ \frac{Z}{\sqrt{\chi^2_\nu/\nu}} \sim t_\nu, \qquad Z \sim N(0,1) \]

1925 年 Fisher 在《Statistical Methods for Research Workers》將 t 檢定發揚光大，成為標準工具。

推理重點#

\(t = \dfrac{\bar{X}-\mu}{s/\sqrt{n}}\) 中的 \(s\) 是「估計值」而非「真值」，其波動會使分佈加厚。
自由度 \(\nu = n-1\) ：扣掉用於估計 \(\bar{X}\) 的 1 個自由度。
現代意義：任何 \(\sigma\) 未知、常態假設下的小樣本均值推論，都應使用 t 而非 z。
統計教學啟示：Gosset 用「模擬 + 直覺」發現定理，Fisher 用「嚴謹證明」補完——兩者都是科學推進的典範。

Python 實作：t 分佈 vs 常態分佈#

import numpy as np
from scipy import stats
import matplotlib.pyplot as plt

rng = np.random.default_rng(42)
xs = np.linspace(-6, 6, 500)

plt.plot(xs, stats.norm.pdf(xs), 'k--', label="N(0,1)")
for df in [1, 4, 10, 30]:
    plt.plot(xs, stats.t.pdf(xs, df), label=f"t (df={df})")
plt.legend(); plt.title("t vs Normal: fat tails with small df")
plt.savefig("t_dist.png", dpi=100)

# 厚尾的數值驗證：t(4) 超過 3 的機率 vs N(0,1)
print(f"P(|t4|>3) = {2*stats.t.sf(3, 4):.4f}")
print(f"P(|z|>3)  = {2*stats.norm.sf(3):.4f}")   # t 檢定更保守

# 模擬 Gosset 的實驗：n=4，驗證 t 統計量的經驗分佈
mu, sigma, n, trials = 0, 1, 4, 750
ts = []
for _ in range(trials):
    x = rng.normal(mu, sigma, n)
    ts.append((x.mean() - mu) / (x.std(ddof=1) / np.sqrt(n)))
print(f"模擬 ks-test vs t(3): p = {stats.kstest(ts, 't', args=(3,)).pvalue:.4f}")

# 單樣本 t 檢定範例：n=5 的樣本
sample = [8.2, 9.1, 7.8, 8.6, 8.9]
t_s, p_s = stats.ttest_1samp(sample, popmean=8.0)
print(f"t = {t_s:.3f}, p = {p_s:.4f}")

結案 -- 後果與影響#

1908 年論文《The Probable Error of a Mean》使小樣本推論從無到有。
t 檢定衍生出單樣本、獨立雙樣本、配對樣本三大變體，成為應用統計使用率最高的方法之一。
Fisher 的獨立性證明（1915）成為常態母體抽樣理論的里程碑，也是日後變異數分析的基石。
Gosset 的真名在 1937 年才公開；「Student」筆名成為統計史最著名的化名。
商業機密與學術發表的張力，成為「企業科研是否該保密」的經典案例。

關鍵人物與文獻#

William Sealy Gosset (1876–1937)：Guinness 化學家，筆名 Student。
R. A. Fisher (1890–1962)：1915 年補完 t 分佈數學證明，1925 年推廣 t 檢定。
Student (1908). The probable error of a mean. Biometrika 6.
Fisher, R. A. (1915). Frequency distribution of the values of the correlation coefficient in samples from an indefinitely large population. Biometrika 10.
Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver & Boyd.
E. S. Pearson & R. L. Plackett (1975/1990). Gosset 的傳記與書信研究。