我建议在这里使用非参数Mann-Whitney U检验而不是非配对t检验。

t检验没有绝对的最小样本量，但随着样本量变小，检验对两个样本均来自具有正态分布的总体的假设变得更加敏感。对于这么小的样本，尤其是只有两个样本，你需要非常确定总体分布是正常的——这必须基于外部知识，因为这样小的样本本身提供的信息很少它们分布的正态性与否。但是你说“人口差异和分布是未知的”（我的斜体）。

Mann-Whitney U检验不需要关于分布的参数形式的任何假设，只需要假设两组的分布在原假设下相同。

（免责声明：我今天不能很好地打字：我的右手骨折了！）

与在其他答案中使用非参数测试的建议相反，您应该考虑到对于极小的样本量，这些方法不是很有用。原因很容易理解：在规模极小的研究中，除非观察到较大的效应量，否则无法确定组间差异。然而，非参数方法不关心组间差异的大小。因此，即使两组之间的差异很大，在样本量很小的情况下，非参数检验也总是无法拒绝零假设。

考虑这个例子：两组，正态分布，相同的方差。第 1 组：平均 1.0，7 个样本。第 2 组：平均 5、2 个样本。平均值之间存在很大差异。

wilcox.test(rnorm(7, 1), rnorm(2, 5))

   Wilcoxon rank sum test

data:  rnorm(7, 1) and rnorm(2, 5)
W = 0, p-value = 0.05556

计算的 p 值为 0.05556，它不拒绝零假设（0.05）。现在，即使将这两种方法之间的距离增加 10 倍，您也会得到相同的 p 值：

wilcox.test(rnorm(7, 1), rnorm(2, 50))

   Wilcoxon rank sum test

data:  rnorm(7, 1) and rnorm(2, 50)
W = 0, p-value = 0.05556

现在我邀请您使用 t 检验重复相同的模拟，并观察大（平均 5 对 1）和巨大（平均 50 对 1）差异情况下的 p 值。

t 检验没有最小样本量；事实上，t 检验是为小样本设计的。在过去打印表格时，您会看到非常小的样本（由 df 测量）的 t 检验表。

当然，与其他测试一样，如果样本量很小，只有相当大的影响才会具有统计显着性。

我假设您的意思是您有来自一组的 7 个数据点和来自第二组的 2 个数据点，这两个数据点都是人口的子集（例如男性子集和女性子集）。

可以从此Wikipedia 页面获得 t 检验的数学运算。我们将假设一个独立的两样本 t 检验，样本量不等（7 对 2）和不等方差，所以大约在该页面的一半。您可以看到计算基于均值和标准差。一组中只有 7 名受试者，另一组中只有 2 名受试者，您不能假设您对平均值或标准差都有很好的估计。对于有 2 个受试者的组，平均值只是恰好位于两个数据点中间的值，因此无法很好地估计。对于有 7 个受试者的组，样本大小会强烈影响方差（以及因此是方差的平方根的标准差），因为当样本较小时，极值会产生更强的影响。

例如，如果您查看Wikipedia 页面上标准差的基本示例，您会看到标准差为 2，因此方差（标准差的平方）为 4。但如果我们只有前两个数据点（9 和 1），方差为 10/2 = 5，标准差为 2.2，如果我们只有最后两个值（4 和 16），方差为 20/2 = 10标准差为 3.2。我们仍然使用相同的值，只是更少了，我们可以看到对我们估计的影响。

这就是使用小样本量的推论统计的问题，您的结果将特别受到抽样的强烈影响。

更新：有什么理由不能简单地按主题报告结果并表明这是探索性工作？只有两个案例，数据与案例研究非常相似，这些都是（1）重要的写出来和（2）公认的实践。