# 💡 Summary [[t 分布]]（理论基础） ↓ 提供 ↓ 临界值/p值 ↓ 用于 ↓ t 检验（统计方法） 具体到你正在看的这篇 **《Nomadic ecology shaped the highland geography of Asia's Silk Roads》** 的例子里，t 检验的作用就是用来验证： ## 研究场景 - 作者用模型模拟了牧民季节性迁徙形成的“流动路径”。 - 然后把这些路径和 **618 个已知丝绸之路遗址**的位置进行比较。 - 结果发现：**57% 的遗址**正好落在模拟路径上，**74%** 在考虑空间缓冲后也落在路径附近。 ## 为什么要用 t 检验？ - 为了证明这种“高度重合”不是偶然，他们生成了 **随机点**作为对照。 - 如果遗址分布和随机点分布差不多，那说明模型没什么意义。 - 但如果遗址分布和随机点分布差异显著，那说明牧民迁徙路径确实和丝绸之路的形成有关。 👉 这里就用到了 **单样本 t 检验**： - 比较“遗址落在路径上的比例”与“随机点落在路径上的比例”。 - 结果 p 值非常小（p < 0.001），说明差异显著，不是巧合。 ## 🎯 通俗理解 就像你之前举的苹果汁例子： - 如果只有少量遗址，可能只是巧合。 - 但他们有几百个遗址，再加上统计检验，结果显示这种重合度远远高于随机情况。 - 所以可以更有信心地说：**丝绸之路的高山路线，确实是牧民迁徙模式塑造出来的。** # 🧩 Cues # 🪞Notes