背景介绍
双样本独立检验在平时的研究中是比较常用的。本文介绍了一种，当数据结果为连续的数据，那么可以使用以下双样本独立检验的方法。废话不多说，直接上教程。
在数据开始分析时，我们先介绍一下三种检验方法，特地列了个表格，应该可以看懂吧！
| Test | Normality | Variance homogeneity | 函数 | R包 |
|---|---|---|---|---|
| Student's t-test | √ | √ | st.test() | onewaytests |
| Welch's t-test | √ | × | wt.test() | onewaytests |
| Mann-Whitney U test | × | × | mw.test() | onewaytests |
软件介绍
教程介绍
此教程为了大家练习方便，我们将使用R中自带的CO2数据集，我们将根据二氧化碳吸收率比较植物的来源。
1. CO2数据集如下：
2. 我们可以使用onewaytests包来进行数据的描述统计。
install.packages("onewaytests")
library(onewaytests)
describe(uptake~Type,data = CO2)
3. 第一种情况：每组数据符合正态分布，两组方差齐，则使用Student's t-Test。
st.test(uptake~Type,data=CO2)
结果表明p.value小于0.05，因此两组之间的均值不相等，两组间具有显著性差异。
4. 第二种情况：每组数据符合正态分布，两组方差不齐，则使用Welch's t-Test。
wt.test(uptake~Type,data=CO2)
结果表明p.value小于0.05，因此两组之间的均值不相等，两组间具有显著性差异。
5. 第三种情况：每组数据不符合正态分布，两组方差不齐，则使用非参数检验去比较两个组别，它比较两组的因变量分布是否相同，使用Mann-Whitney U Test。
mw.test(uptake~Type,data=CO2)
结果表明p.value小于0.05，因此两组的因变量分布不相同，且具有显著性差异
6. 怎么样学会了么？
参考网页：
https://universeofdatascience.com/two-sample-independent-tests-in-r/#more-677
