首先表示以后再不在这个问题上纠结了，这次发帖旨在点出两者间的根本区别。说白了，Z Score和T Score的构成都满足一个假设检验的通式：(样本统计量(观测值)-假设值(期望值)) / 标准误，再来个国外一统计网站上的英文版本: (statistic - hypothesized value) / standard error of the statistic
但是，Z Score和T Score的根本区别是表达了不同的零假设形式。根据本人的“观察”，Z Score很可能是产生在使用小文本(mini-text)的词语共现量化分析解决方案中，这种方法比较直观，从统计学的角度也比较容易定性，即单比例检验（Testing one population proportion），具体的零假设可以这样来表达：搭配词在语料库和在小文本中的相对频率无差异。再说的直观点，就是说比较 搭配词在节点词附近的分布 和 其在整个语料库中的分布。
T Score方法中没有显性实现小文本这个因素，表达了另一种零假设形式：用W1,W2表示两个词，P(W1W2)=P(W1)P(W2)。这种方法没有Z Score的逻辑直观，其基本框架（根据之前的解释）就是(P(W1W2)-P(W1)P(W2)) /Standard Error，此外，有的T Score公式中含有一个简化过程，具体见http://corpus4u.webfactional.com/forum/showthread.php?p=39961#post39961
总之，Z Score和T Score之间的根本区别就是：基于小文本的零假设和P(W1W2)=P(W1)P(W2)这个零假设。
但是，Z Score和T Score的根本区别是表达了不同的零假设形式。根据本人的“观察”，Z Score很可能是产生在使用小文本(mini-text)的词语共现量化分析解决方案中，这种方法比较直观，从统计学的角度也比较容易定性，即单比例检验（Testing one population proportion），具体的零假设可以这样来表达：搭配词在语料库和在小文本中的相对频率无差异。再说的直观点，就是说比较 搭配词在节点词附近的分布 和 其在整个语料库中的分布。
T Score方法中没有显性实现小文本这个因素，表达了另一种零假设形式：用W1,W2表示两个词，P(W1W2)=P(W1)P(W2)。这种方法没有Z Score的逻辑直观，其基本框架（根据之前的解释）就是(P(W1W2)-P(W1)P(W2)) /Standard Error，此外，有的T Score公式中含有一个简化过程，具体见http://corpus4u.webfactional.com/forum/showthread.php?p=39961#post39961
总之，Z Score和T Score之间的根本区别就是：基于小文本的零假设和P(W1W2)=P(W1)P(W2)这个零假设。