研究背景
某电商网站 redesign 了产品详情页，将"加入购物车"按钮从绿色改为橙色，并调整了布局。产品经理假设新设计能提升用户参与度，但需要数据验证。
研究问题
新版UI（橙色按钮）相比旧版（绿色按钮）是否显著提升了用户的页面停留时间？
数据说明
随机抽取20名用户，10人看旧版，10人看新版。记录每人在页面上的停留时间（秒）。数据已通过正态性检验和方差齐性检验。
示例数据
- 旧版：45, 52, 38, 61, 49, 55, 42, 58, 47, 50
- 新版：62, 58, 71, 55, 67, 63, 59, 74, 60, 68
分析步骤
步骤 1：选择正确的检验方法
这是两个独立组别的比较（不同用户看不同版本），因变量是连续变量（停留时间），所以使用独立样本t检验。
提示：如果同一批用户先后看了两个版本，应该用配对t检验。
步骤 2：检查前提假设
t检验要求：(1) 每组数据近似正态分布；(2) 两组方差相等（方差齐性）。本案例数据已通过 Shapiro-Wilk 正态性检验（p>0.05）和 Levene 方差齐性检验（p>0.05）。
步骤 3：执行检验并解读结果
计算得到 t=-3.456, df=18, p=0.0028 < 0.05，差异显著。效应量 Cohen's d=1.55，属于大效应。
结果解读
结论
在 α=0.05（双侧）水平下，观察到统计学显著差异（t=-3.456，p=0.0028）。新版UI组的停留时间长于旧版UI组，平均增加约12秒。
为什么这样解读？
虽然统计学显著，但要判断实际价值：平均增加12秒是否足以支撑改版成本？同时要看其他指标（如转化率）是否也提升。统计学显著≠商业重要。
如何在论文中报告
采用独立样本t检验比较新旧版UI的用户停留时间（α=0.05，双侧）。结果显示，新版UI（M=63.70, SD=5.43）的停留时间长于旧版UI（M=49.70, SD=7.14），差异具有统计学意义，t(18)=-3.456, p=0.003, Cohen's d=1.55。这表明新版设计能有效提升用户参与度。
常见错误
看到p<0.05就下结论说"新版更好"
统计显著只说明差异不太可能是偶然产生的，不代表差异很大或有实际价值。必须结合效应量和业务背景判断。
忽略前提假设直接做t检验
如果数据严重偏态或方差不齐，t检验的结果可能不可靠。应先检查假设，必要时改用 Mann-Whitney U 非参数检验。
把相关当因果
即使是随机对照实验，也要考虑是否有混杂变量（如用户本身特征、时间段等）。t检验只能说明两组有差异，不能证明"橙色按钮导致停留时间增加"。