临界 t 值（Critical-T value）是 t 分布上的一个“切点”。t 分布是一种概率分布，当样本量较小且总体方差未知时，我们用它来计算总体参数。t 值用于分析我们是应该支持还是拒绝零假设。
在进行 t 检验后，我们会得到其统计量作为结果。为了确定结果的重要性（显著性），我们将计算得到的 t 分数与临界 t 值进行比较。如果 t 分数的绝对值大于临界 t 值，那么检验结果在统计上就是显著的。
公式：
t = [ x̄ - μ ] / [ s / sqrt( n ) ]
其中，
- t = t 分数
- x̄ = 样本均值
- μ = 总体均值
- s = 样本标准差
- n = 样本量
使用的函数：
为了找到临界 t 值，我们使用 R 编程语言提供的 qt() 函数。
> 语法： qt(p=confvalue, df= dfvalue, lower.tail=True/False)
>
>
> 参数：
>
>
> – p:- 置信水平（概率值）
> – df: 自由度
> – lower.tail: 如果为 TRUE，返回 t 分布中 p 左侧的概率。如果为 FALSE，则返回右侧的概率。默认情况下，其值为 TRUE。
计算临界 t 值主要有三种方法，下面我们将一一讨论：
方法 1： 右尾检验
右尾检验是指假设陈述中包含大于（>）符号的检验，即不等号指向右侧。有时它也被称为上侧检验。
在这里，我们假设置信度为 96%，即 p= .04，自由度为 4，即 df=4。我们还要使用 format() 函数将小数位数减少到三位。对于右尾检验，我们将 lower.tail 的值设置为 FALSE。
示例：
R
CODEBLOCK_ad76cc25
输出：
Critical T value is : 2.333
临界 t 值为 2.333。因此，如果检验分数大于该值，则检验结果在统计上是显著的。
方法 2： 左尾检验
左尾检验是指假设陈述中包含小于（<）符号的检验，即不等号指向左侧。有时它也被称为下侧检验。
在这里，我们假设置信度为 95%，即 p= .05，自由度为 4，即 df=4。我们还要使用 format() 函数将小数位数减少到三位。对于左尾检验，我们将 lower.tail 的值设置为 TRUE。
示例：
R
CODEBLOCK_2d32b4bc
输出：
Critical T value is : -2.132
临界 t 值为 -2.132。因此，如果检验分数小于该值，则检验结果在统计上是显著的。
方法 3： 双尾检验
双尾检验是指假设陈述中同时包含大于（>）符号和小于（<）符号的检验，即不等号指向某个范围之间。
在双尾检验中，我们只需将“p”参数中的置信水平减半即可。在这里，我们假设置信度为 96%，即 p= .04，自由度为 4，即 df=4。我们还要使用 format() 函数将小数位数减少到三位。
示例
R
CODEBLOCK_4ff49031
输出：
Critical T value is : -2.999
每当我们执行双尾检验时，我们会得到两个临界值作为输出。因此，在上面的代码中，t 临界值为 2.999 和 -2.999。因此，如果检验分数小于 -2.999 或大于 2.999，则检验结果在统计上是显著的。