我同意 Glen_b 的观点。也许我可以添加几句话来使这一点更清楚。如果数据来自方差未知的正态分布（独立同分布情况），则 t 统计量是关键量用于生成置信区间并进行假设检验。对于该推断而言，唯一重要的是它在原假设（用于确定临界值）和备选方案（用于确定功效和样本）下的分布。这些分别是中心和非中心 t 分布。现在考虑一下单样本问题，t 检验甚至具有作为正态分布均值检验的最佳特性。现在样本方差是总体方差的无偏估计量，但其平方根是总体标准差的有偏估计量。这个 BIASED 估计量进入关键量的分母并不重要。现在它确实发挥了作用，因为它是一个一致的估计器。这就是允许 t 分布在样本量趋于无穷大时接近标准正态分布的原因。但偏向于任何固定的$n$不影响测试的好属性。

在我看来，在介绍性统计课程中过分强调了公正性。估计量的准确性和一致性是值得强调的真实属性。

对于应用参数或非参数方法的其他问题，标准偏差的估计甚至不会进入公式。

考虑一个基于关键量计算的区间，如 t 统计量。标准差估计量的平均值并没有真正包含在内 - 区间基于统计量的分布。因此，就这一点而言，该声明是正确的。

解释总是部分推测，但我认为隐含的意思是，通常你可以得到你想要的结果，而无需明确估计标准偏差。换句话说，我认为作者指的是不使用标准差估计而不是有偏估计的情况。

例如，如果您可以构建统计量整体分布的估计值，则可以在不使用标准差的情况下计算置信区间。事实上，对于许多（非正态）分布，标准偏差本身（和平均值）不足以计算置信区间的估计值。在其他情况下，例如符号检验，您也不需要估计标准差。

（当然，构建完整分布的无偏估计并非易事，在贝叶斯统计中，通过先验显式引入偏差实际上很常见。）