已经提出了 t 检验，已经提出了类泊松广义线性回归。样本大小 > 1000，如何引导两个样本之间的差异？这很容易，速度很快，它不仅提供点估计，还提供分布，它摆脱了所有正态性或泊松或负二项式等假设。即使它们的数量很少，引导程序也可以完成这项工作。

给出您的大样本量，您可能可以对均值使用 t 检验。如果您的样本量相等，那么无论您想使用方差的合并估计还是未合并（韦尔奇检验），您的状态都很好。如果您确定 s1 的总体的平均值至少与 s2 的总体的平均值一样大，请进行单边检验。

注意：如果方差远大于均值，则您的计数不是泊松。但这里重要的是样本平均值的分布，这应该几乎是正常的，除非数据是超级偏斜的。在这种情况下，您可以进行像 Kruskal-Wallis 这样的非参数检验。

我建议你拟合一个泊松或对数线性回归模型，只为两组创建一个虚拟变量，然后测试斜率参数，比如，$H_a: \beta_1 >0$. 可以使用最大似然框架下的任何测试方法（LRT、Wald 或分数）。至于过度分散问题，您可以考虑其他计数模型，例如负二项式或广义泊松模型。这基本上应该为您提供计数数据的两个样本测试。