背景
我想比较两个时期的菜单销售组合比率。
菜单被定义为产品集合。 （即汉堡包，俱乐部三明治等）
销售组合比率被定义为相对于销售的菜单单元总数（即，100个菜单项目已售出）的单位产品销售量（即20个汉堡包） ）。在汉堡包示例中，汉堡包的销售混合比例为20％（20个汉堡/ 100个菜单项）。这代表了菜单总销售额的份额。
期间被定义为用于比较目的的时间范围（即午餐与晚餐，周一与周五等）。
我对音量的整体变化不感兴趣（我不在乎我是否在一个时期内卖出20个汉堡包而在另一个时期卖出了25个汉堡包）。我只对比率分布的变化感兴趣（我销售的单位的20％是一个时期的汉堡包，25％是另一个时期的汉堡包）。
由于销售组合占整体的份额，因此每个时期的平均值将相同;期间的平均差异始终为0％;并且，每组数据的总和将始终为100％。
目标：
测试销售分布（每个菜单项相对于其他菜单项的销售组合百分比）是否从一个时期到另一个时段发生了显着变化。
空假设：期间A中客户的购买模式和偏好与B期客户的购买模式和偏好相同。
潜在数据输入示例：
[Menu Item] [Period A] [Period B]
Hamburger 25% 28%
Cheeseburger 25% 20%
Salad 20% 25%
Club Sandwich 30% 27%
问题：
是否存在常用方法来测试两组数据之间的总份额分布是否存在显着差异？
如果我测量的是实际销售单位数量的变化，那么配对的T-Test会起作用，但是（我相信）不会改变总单位的份额。
我一直在网上搜索一些教科书但没有运气。我可能正在寻找错误的术语。
任何方向，无论是搜索术语还是（最好）实际名称相应的测试，都表示赞赏。
谢谢，
安德鲁
编辑：我正在考虑将Pearson Correlation测试作为一种可能的解决方案 - 忘记每行数据都是独立的菜单项，数学不应该关心。完美匹配（相同的销售组合）将获得系数1，变化越大，系数越低。一个潜在的问题是，与常规相关性测试不同，这些变化可能会被放大，因为对一个数字的任何更改都会自动影响其他数字。这是一个可行的解决方案？如果是这样，有没有办法缓和放大问题？
答案 0 :(得分：1)