方差分析第2讲：t 检验、方差分析、回归是一回事吗？

统计

在很多人的学习经历中，t 检验、方差分析和回归分析，往往是分开学的：

这种教学安排本身并没有问题，但它很容易在无意中传递出一个信息：这些方法似乎是在解决三类彼此不同的问题。也正因为如此，不少人在真正开始做实证研究时，会产生一种感觉——同样是在比较差异，为什么方法却越学越多，越学越杂？

从表面上看，答案似乎是肯定的。研究对象从两组扩展到多组，再从单一分组扩展到多因素情境，t 检验、ANOVA、回归分析依次登场，方法的名字不断变化。

但如果只盯着“方法清单”，很容易忽略一个更重要的变化：

统计方法之所以发生变化，往往不是因为旧方法失效了，而是因为研究问题本身，已经不再满足于原来的表达方式。

在比较两组时，我们习惯说“做一个 t 检验”。

但如果把“是否属于某一组”写成一个 0–1 的虚拟变量，再用这个变量去解释结果变量，其实已经进入了回归框架。在这样的模型中，回归系数对应的是两组均值的差异，t 值用来判断这个差异是否显著。

换一个角度看:

理解了 t 检验与回归之间的关系，再回头看方差分析，很多困惑会自然消失。

在 ANOVA 中，我们面对的是多个组别；如果把这些组别拆成一组虚拟变量，并将它们同时放入回归模型中，本质上仍然是在解释不同组之间是否存在系统性差异。

此时，模型不再只关注某一个系数，而是关心这一组系数是否整体上具有解释力，而这正是方差分析中 F 检验所要回答的问题：这些组别变量，是否在整体上“有用”。

从这个角度看：

很多人在学完方差分析后，会下意识地把 F 检验和 ANOVA 绑定在一起；而在进入回归分析后，却更多关注单个系数的 t 检验。

但实际上，在回归模型中：

F 检验从来没有离开回归分析，它只是从“分组比较”的场景，走进了“建模”的场景。它始终在回答同一个问题：

从 t 检验到方差分析，再到回归分析，真正发生变化的，并不是统计思想，而是研究问题的复杂程度。

例如，在研究“不同教学方式是否影响学生成绩”时，如果只区分两种教学方式，问题自然会被表述为一次两组比较；如果教学方式增加到三种或更多，分析形式就会转向方差分析；而当研究者希望同时控制学生基础、班级规模等因素时，问题最终会被放进回归框架中来讨论。

在这个例子中，方法之所以不断“升级”，并不是因为研究目的发生了改变，而是问题被允许呈现的复杂程度在逐步增加。并非前一种方法不再适用，而是研究者逐渐意识到，问题本身已经不再是“单一因素”所能解释的了。

当你把 t 检验、方差分析和回归分析放在同一条线上理解，许多原本零散的方法会突然变得连贯起来。你不再需要反复纠结“该用哪一种方法”，而是会更自然地思考：

这也是为什么，在实际研究中，看似不同的统计方法，最终往往都会汇合到回归框架之下。