我终于找到了与幻灯片相关的论文：Kruschke (2010)，也可以直接从作者那里（通过 CiteSeerX）获得，因为该期刊没有被广泛传播。解释有点平淡无奇，但我仍然不确定我是否购买它。

在固定 N 的情况下，关键$t$-value 计算如下：$2N$样本是从（相同的）总体中随机抽取的，并且$t$- 计算值。此过程重复多次以建立零分布。最后，$t_{crit}$设置为该分布的第 95 个百分位。

对于固定持续时间的情况，他假设受试者以平均速度到达$\lambda$. 通过重复两个步骤构建零分布。第一步，每个条件的受试者数量$N_1$和$N_2$从带有参数的位置分布中得出$\lambda$. 下一个，$N_1$和$N_2$从总体中随机抽取用于计算$t$-价值。这重复了很多次，并且$t_{crit}$设置为该分布的第 95 个百分位。

这对我来说似乎有点……厚颜无耻……。据我了解，没有一个$t$-分配; 相反，它是一个分布族，其形状部分由自由度参数决定。对于固定-$N$条件，有$N$每组科目和适当的$t$- 未配对 t 检验的值是$2N-2$自由度，这大概就是他的模拟所再现的。

在另一种情况下，似乎“$t$"-like 分布实际上是来自许多不同的样本的组合$t$- 分配，取决于具体的抽奖。通过设置$\lambda=N$，可以得到平均自由度等于$2N-N$，但这还不够。例如，平均$t$-分布为$\nu=1$和$\nu=5$似乎不是$t$-具有 3 个自由度的分布。

总之：

• 作者正在生成$t_{crit}$通过模拟，而不是仅仅从 CDF 计算它们。
• 作者模拟固定持续时间场景的方式似乎可能会使相应的尾巴变胖$t$-分配。
• 我仍然不相信这实际上是一个问题，但如果有人不这么认为，我很乐意阅读/赞成/接受答案。

这里有更多信息：http ://doingbayesiandataanalysis.blogspot.com/2012/07/sampling-distributions-of-t-when.html

此处提供了更完整的讨论：http: //www.indiana.edu/~kruschke/BEST/ 该文章考虑了在阈值 N 处停止、在阈值持续时间处停止和在阈值 t 值处停止的 p 值。