我有一个商业性能数据集，如下所示：
| 客户类型 | 频道 | %growth_vol |
|---|---|---|
| 大型零售 | A | 9% |
| 大型零售 | B | 7% |
| 中型零售 | A | 11% |
| 中型零售 | B | 18% |
| 小型零售 | A | 21% |
| 小型零售 | B | 16% |
我正在衡量一组客户在一段时间内的交易量增长。唯一的影响差异在于它们通过哪个分销渠道（A、B）进入市场。每个集群之间的客户是不同的（大型零售商要么通过 A 或 B 进入市场，从不切换），并且集群内非常同质。上表只是一个总结。我确实拥有包含 2000 多个客户的完整数据集以及他们各自的增长、集群、渠道等。 我的目标是确定给定客户类型的渠道之间的增长率是否存在显着差异，即渠道选择是否对绩效产生影响。例如，大型零售商的 9% 与 7% 存在显着差异。
我最初采用的是双样本 T 检验（独立样本），注意数据组具有相等方差并进行相应调整（如果是，则使用直接 t 检验；如果不是，则使用韦尔奇 t 检验）。顺便说一句，我正在使用 python 的 Statsmodels。
我目前不确定，因为我一直使用 t 检验来衡量绝对属性，例如重量、大小、速度等。事实上，我现在正在探索增长率，这肯定让我对其正确用法感到有点不安。
我使用 t 检验是否正确？有更好/正确的测试吗？ 谢谢！ - 总经理
是的，这就是我会做的。不过，我不会检查差异，因为这有点矫枉过正。我会用韦尔奇的 t 检验来检验一切。
不过，我会查看分布，如果它们看起来正常，请使用上面的 t 检验。否则，使用 Mann–Whitney U 检验。