Thesis两比例 z 检验计算器（率差与 95% CI）
输入两组各自的事件数与样本量，几秒钟算出两组比例差异的 z 值、双尾 p 值、率差 95% 置信区间与 Cohen’s h 效应量——「两组比例有没有差异」只报卡方 p 值不够，评阅人越来越要求同时报率差的置信区间与效应量。纯浏览器本地计算、数据不上传，免注册、完全免费。
免注册 · 公测期免费 · 数据留在你的浏览器本地
为什么两比例比较值得自己先算一遍
比较两组合格率/通过率/选择率时，只报卡方的 p 值说明不了差多少；本工具同时给率差及其 95% 置信区间（Wald 法）与 Cohen’s h 效应量分档判读——「显著但差异很小」这类结论期刊与评阅人越来越看重。
检验用合并比例的 z 检验（pooled），与 Python statsmodels 的 proportions_ztest 默认口径一致，z 的平方即不校正的卡方；置信区间用两组各自比例的非合并标准误（Wald），是报告率差 CI 的通行做法。
任一组期望频数不足 5 时，正态近似不够准，工具会明确提示改用 Fisher 精确检验（本站有计算器）复核，不会在小样本下静默给出虚高的显著。
计算在你的浏览器里完成，数据不发送到服务器，不调用 AI，随时可以换一组数据重算。
怎么用（3 步）
- 把两组数据按「事件数 样本量」各占一行粘贴进输入框（第一行为第一组，第二行为第二组，Tab/逗号/空格分隔），如「45 120」「30 115」；
- 点「计算两比例 z 检验」查看两组比例、z 与双尾 p 值、率差 95% 置信区间与效应量；
- 把结果句式一键复制进论文数据分析章，正式结论建议再用 SPSS/R 复核一遍。
常见问题
计算用的是什么方法？
检验：合并比例 p̂=(x₁+x₂)/(n₁+n₂)，z=(p₁−p₂)/√[p̂(1−p̂)(1/n₁+1/n₂)]，双尾 p 由标准正态分布换算——与 statsmodels 的 proportions_ztest 一致，z² 等于不校正的卡方。置信区间：率差 ± 1.96×√[p₁(1−p₁)/n₁+p₂(1−p₂)/n₂]（Wald 法）。效应量：Cohen’s h=2arcsin√p₁−2arcsin√p₂，|h| 约 0.2/0.5/0.8 对应小/中/大。
和卡方检验、Fisher 精确检验什么关系？
三者都能检验两组比例是否有差异：两比例 z 检验（不校正）与 2×2 卡方在数学上等价（z²=χ²），但 z 检验能顺手给出率差的方向与置信区间；样本很小（期望频数 <5）时正态近似不可靠，应改用 Fisher 精确检验。如果你要报「差多少」而不只是「有没有差」，用本工具。
结果该怎么报告？
「实验组的比例为 …%（x₁/n₁），对照组为 …%（x₂/n₂）；两比例 z 检验表明差异显著（z = …，p = …），率差为 … 个百分点，95% CI [… , …]，效应量 Cohen’s h = …（小/中/大）」。置信区间不含 0 与 p<0.05 通常一致。
置信区间跨过 0 是什么意思？
95% 置信区间包含 0 表示按现有数据不能排除「两组比例其实没差」，与双尾 p ≥ 0.05 的结论通常一致。此时不要写「有差异但不显著」，规范表述是「未发现显著差异」，并结合区间宽度说明估计的精确程度（区间越宽说明样本量越不足）。
我的数据会被上传吗？
不会。计算完全在你的浏览器本地完成，任何数据都不发送到服务器，也不调用 AI 服务。
检验做完了，数据分析章一站写完
工作台覆盖选题→开题→大纲→分章写作→文献→自查→导出全流程：把检验结果挂进对应章节让 AI 严格依据数据成文，不编造数字，全程免注册、免费。
免费打开工作台