这没有错，相当于假设方差相等的测试。此外，对于两组，sqrt(f-statistic) 等于 t-statistic 的（绝对值）。我有点相信方差不等的 t 检验是不等价的。由于您可以在方差不相等时获得适当的估计（方差通常总是不等于某个小数位），因此使用 t 检验可能是有意义的，因为它比 ANOVA 更灵活（假设您只有两组）。

更新：

这里的代码显示等方差 t 检验的 t-statistic^2，而不是不等 t 检验，与 f 统计量相同。

dat_mtcars <- mtcars

# unequal variance model
 t_unequal <- t.test(mpg ~ factor(vs), data = dat_mtcars)
 t_stat_unequal <-  t_unequal$statistic

# assume equal variance
 t_equal <- t.test(mpg ~ factor(vs), var.equal = TRUE, data = dat_mtcars)
 t_stat_equal <- t_equal$statistic

# anova
 a_equal <- aov(mpg ~ factor(vs), data = dat_mtcars)
 f_stat <- anova(a_equal)
 f_stat$`F value`[1]

# compare by dividing (1 = equivalence)
 (t_stat_unequal^2) / f_stat$`F value`[1] 
 (t_stat_equal^2) / f_stat$`F value`[1] # (t-stat with equal var^2) = F

它们是等价的。只有两组的 ANOVA 相当于 t 检验。不同之处在于，当您有多个组时，t 检验的 I 型错误会增加，因为您无法共同检验假设。当您通过 F 检验联合测试它们时，ANOVA 不会遇到这个问题。