你得到的测试chisq.test是计数 - 用于比较比例或测试与分类数据的独立性，诸如此类。

另一方面，t 检验通常用于比较均值。

有一个涉及方差的测试（一个样本方差测试）与正常数据是卡方测试，但您无法使用该命令进行该测试。

对于两个样本和正态数据，有一个相应的方差比 F 检验来检验方差的相等性，但通常不建议这样做（它对违反正态性不稳健）。Levene或Browne-Forsythe - 或其他一些 - 更经常使用，通常对应于与某种位置测量偏差的 ANOVA 形式。

当这些偏差平均较大时，它将对应于（在一些合理的假设下）较大的方差。

等效于 Levene 或 Browne-Forsythe 可以用两个样本进行（分别偏离均值或中值），甚至可以作为 t 检验而不是 ANOVA 进行。

在测试对时，你既不做 T 检验也不做检验。为了测试两个正态分布总体之间的方差相等性，您使用方差相等性的 F 检验，它将您的检验重新表述为对。在 R 中，你应该运行$\chi^{2}$$H_0: \sigma^{2}_X = \sigma^2_Y$$H_a: \sigma^{2}_X \neq \sigma^2_Y$$H_0: \frac{\sigma^{2}_X}{\sigma^2_Y} = 1$$H_a: \frac{\sigma^{2}_X}{\sigma^2_Y} \neq 1$

> X=c( 11.4, 9.7, 11.4, 13.3, 7.4, 8.5, 13.4, 17.4, 12.7)
> Y=c(3.2, 2.7, 5.5, -0.9, -1.8)
> var.test(x,y)

F test to compare two variances

data:  X and Y
F = 0.979, num df = 8, denom df = 4, p-value = 0.9033
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.109 4.947
sample estimates:
ratio of variances 
         0.979

@Mona Jalal，有多种用于方差相等的测试，适用于不同的情况，每种情况都有其优点和局限性。最常见的是

1. 巴特利特的球形检验
2. 列文的测试
3. F-测试

虽然帖子在这里不断来回传递，但您可能想在聊天中讨论它们以详细说明您面临的问题，或者您可以在 Wikipedia 上阅读所有这三个问题。

之后，如果您在实施这些测试或用 R 或 Python 解释结果时遇到困难，您可以在此处通过改写您的问题来询问他们

请注意， t.test 用于均值差异，当您实际上想要根据您设置的零假设和替代假设来测试方差差异时。看：

?var.test
var.test(x, y)