研究背景
某公司对10名员工进行了为期2周的Python编程培训。HR部门想验证培训是否有效，因此在培训前后分别对员工进行了相同的技能测试（满分100分）。
研究问题
培训后员工的测试成绩是否显著高于培训前？
数据说明
10名员工在培训前后的测试成绩。由于是同一批人前后测量，数据是配对的。差值已通过正态性检验。
示例数据
- 培训前：60, 55, 70, 65, 58, 62, 68, 57, 63, 61
- 培训后：72, 68, 78, 75, 70, 74, 80, 69, 76, 73
分析步骤
步骤 1：识别配对设计
关键特征：同一批人在两个时间点的测量。每个人的"前测"和"后测"是相关的，不能用独立样本t检验，必须用配对t检验。
提示：配对设计的优势是能控制个体差异，提高检验效力。
步骤 2：计算差值并检验
配对t检验本质上是检验"差值的均值是否显著不为0"。计算每人的差值（后-前），然后对差值做单样本t检验（与0比较）。
步骤 3：解读效应量
结果显示 t=-13.55, p<0.001，Cohen's d=4.28，这是一个极大的效应。平均提升约12.5分。
结果解读
结论
配对t检验显示，培训后成绩（M=73.50, SD=3.92）高于培训前（M=61.90, SD=4.54），差异具有统计学意义，t(9)=-13.55, p<0.001。平均提升12.6分，效应量极大（d=4.28）。
为什么这样解读？
配对设计比独立样本更敏感，因为消除了个体间的基础差异。但要注意"练习效应"：第二次考试分数提升可能是因为熟悉了题型，而非真正学到了知识。
如何在论文中报告
采用配对样本t检验比较员工培训前后的技能测试成绩（α=0.05，双侧）。结果显示，培训后成绩（M=73.50, SD=3.92）高于培训前（M=61.90, SD=4.54），差异具有统计学意义，t(9)=-13.55, p<0.001, Cohen's d=4.28, 95% CI [10.82, 14.38]。这表明培训能有效提升员工的Python编程能力。
常见错误
用独立样本t检验处理配对数据
这会浪费配对信息，降低检验效力。配对数据必须用配对t检验。
忽略差值的正态性
配对t检验要求差值近似正态分布。如果差值严重偏态，应改用 Wilcoxon 符号秩检验。
把前后差异全部归因于培训
可能存在历史效应（这段时间员工自学了）、成熟效应（自然成长）等。严谨的设计应该有对照组。