İki tedavi grubu ile ilgili olarak, tıp, psikoloji, sosyal bilimler, eğitim ve iş araştırmaları dahil olmak üzere birçok alanda nasıl karşılaştırılacağını anlamak, veriye dayalı kararlar vermek için titiz bir çerçeve sunmak için kullanılan güçlü bir istatistiksel yöntemdir. Bu kapsamlı kılavuz, her şeyi ileri görüşlü bir şekilde incelemek için bir adım süreci sağlar.

Bir T-Test nedir?

Bir t testi, hipotez testini kullanan bir veya iki popülasyonun anlamını değerlendirmek için bir araçtır. Gruplar arasındaki farklılıkların istatistiksel olarak önemli olup olmadığını belirlemek için özellikle tasarlanmıştır.İki test için (iki bağımsız gruplar için) ve çiftleştirilmiş t-test (aslı örnekler için) muhtemelen verilerin normalde dağıtıldığı iki örnek arasındaki farklılıkların karşılaştırması için kullanılmaktadır.

T-test özellikle küçük örnek boyutlarda çalışırken ve nüfus standart sapması bilinmemektedir. Bu, gözlemlenen farkın tek başına meydana geldiği olasılığı belirlemek için teorik bir dağıtıma karşı karşılaştırılabilecek bir test istatistiki (tek değer) yaratır.

Bir T-Testi Kullanırken

T-tests, demek için ihtiyacınız olduğunda ve verileriniz belirli koşulları karşılar. Sürekli bir veri aralık veya oran ölçeğinde ölçtüğünde, bir veya iki grubu karşılaştırdığınızda ve örnek büyüklüğüniz nispeten küçük olduğunda (tipik olarak 30'dan daha az) daha büyük örneklerle de kullanılabilir.

Test genellikle bir tedavi grubu ile kontrol grubuna kıyasla gördüğünüz deneysel araştırmada, daha önce ve iki farklı zaman noktasında aynı konuları ölçdüğünüz çalışmalardan sonra veya bir örnekle karşılaştırmak istediğinizde bilinen bir nüfus değeri anlamına gelir.

T-Tests türleri

Karşılaştırmak için üç tane t testi var: bir tane-sample t-test, iki-sample t-test ve bir çiftleştirilmiş t-test. hangi tür kullanımın geçerli sonuçları elde etmek için çok önemli olduğunu.

One-Sample T-Test

Bir-Sample t-test: Bilinen bir değer veya standart karşı bir grubun anlamına gelir. Bu test, örnekünüzün hipotasalık popülasyondan önemli ölçüde farklı olup olmadığını belirlemek istediğinizde kullanılır.

Örneğin, bir çikolata üreticisi barların ortalama 50 gram ağırlığında olduğunu iddia ederse, onları tartabilir ve örnek 50 gramdan önemli ölçüde farklılık gösterir.Bu tür test aynı zamanda kaliteli kontrolde de faydalıdır, üretim çıktısını standartlara kıyasla karşılaştırabilirsiniz.

Bağımsız İki-Sample T-Test

Bağımsız İki-Sample t-test: Tedavi grubu vs. bir kontrol grubu gibi iki tamamen ayrı grubun araçlarını karşılaştırır. İki-sample t-testi, iki örneğin verileri istatistiksel olarak bağımsız olduğunda kullanılır.

Bağımsızlık, bir grupta bireylerin seçiminin diğer grupta bireylerin seçimine etki etmediğini ifade eder. Örneğin, iki farklı ağrı ilaçlarının etkinliğini rastgele bir şekilde ilaç A veya İlaç B almak için karşılaştırırsanız, iki grubun tamamen ayrı olduğunu görürsünüz.

Paired Örnekleri T-Test

Paired t testleri, iki çiftleştirilmiş ölçümler anlamına gelir, örneğin pretest / posttest puanları gibi, önemli ölçüde farklıdır. Veriler eşleştirilmiş çift çift şeklinde kullanılır.

Paired örneği t-test (ayrıca Bağımlı örnek t-test olarak da bilinir) aynı tür özelliklere dayanarak çiftlerle eşleştirilir veya karşılaştırmalardan önce veya farklı zamanlardan sonra (örneğin, önceden ve post testi) uygun olduğunda test edilir.

Ortak uygulamalar, aynı hastalarda tedaviden önce ve sonrasında kan basıncını ölçmeyi, eğitim müdahalesinden önce ve sonrasında test puanlarını karşılaştırmayı veya iki kez performans ölçerek bir eğitim programının etkinliğini değerlendirmektir.

T-Test As Effectss Anlamak

Bir t testi yapmadan önce, verilerinizin belirli varsayımlarla karşı karşıya olduğunu doğrulamak için kritiktir. Bu varsayımlar yanlış sonuçlar ve geçersiz sonuçlar doğurabilir. t-testi yapmak için gerekli koşullar, ölçüm ölçek veya aralığı, basit rastgele ekstraksiyon, normal veri dağılımı, uygun örnek büyüklüğü ve homojenitesi.

Asmi 1: Ölçünün İncelenmesi:

Güvenilir değişken (teşekkre değişkeni) sürekli bir ölçeke ihtiyaç duyar (örneğin, veriler bir aralık veya oran ölçümde olmalıdır). Bu, sonuç değişkeninizin değerlerin anlamlı ve tutarlı olduğu bir ölçek üzerinde ölçülmelidir. Örnekler ağırlık, yükseklik, test puanları, reaksiyon süresi, sıcaklık ve gelir.

Categorical veya ordinal veriler (örneğin sıralama veya kategoriler gibi) t-testler için uygun değildir.Eğer ordinal verileriniz varsa, bunun yerine parametrik olmayan alternatifler göz önünde bulundurmanız gerekir.

Asvolt 2: Gözlemlerin Bağımsızlığı

Her gruptaki gözlemler birbirlerinin bağımsız olması ve iki grubu karşılaştırırsa, gruplar bağımsız olmalıdır ( bağımsız örnekler t-test için). Bu varsayım öncelikle doğru araştırma tasarımı ve veri toplama prosedürleri ile ele alınacaktır.

Bağımsızlığın, bir katılımcının puanını başka bir katılımcının puanını etkilememesi gerektiği anlamına gelir. Bu genellikle gruplar arasındaki rastgele örnekleme veya rastgele atama yoluyla elde edilir.Bağımsızlıkların ihlalleri aynı konulardan tekrarlanan önlemler (bu, bunun yerine bir çift test gerektirir), sizin verilerinizdeki kümeler olduğunda veya gruplar arasındaki kirlenme ile yapılır.

Asim 3: Normallik

Her gruptaki bağımlı değişken için ( bağımsız örnekler t-tests) veya çift gözlemler arasındaki farklılıkların dağılımı (birkaç örnek t-tests) normal olarak dağıtılmalıdır. Normal varsayım, verilerin bir zil şeklinde eğriyi takip etmesi anlamına gelir.

Normallik, veriniz veya Q-Q arsaları kullanarak görsel olarak değerlendirilebilir veya bir Q-Q (kuntile-Wilk testi veya Kolmogorov-Smirnov testi ile ilgili olarak, verilerin bir histogramı oluşturmanızı ve bir Q-Q (kuntile-quantile) incelerken, verileri normal olarak dağıtılırsa, sabit bir çizgi boyunca yaklaşık olarak dağılır.

Bu, normalliğin küçük ihlallerine göre oldukça sağlam olduğunu belirtmek önemlidir, özellikle de daha büyük örnek boyutlarda. 20 veya daha fazla örnek olarak, daha sonra normalliğin dağılımı için normalliğin varsayımı oldukça güvenlidir.Bu sağlamlık, örnek büyüklüğün dağılımının, altta yatan nüfusun dağılımının ne olursa olsun normalliği anlamına gelir.

Çiftleştirilmiş t testi için, her çiftin farkının normal olarak dağıtılması gerekir. Bu önemli bir ayrımdır - orijinal ölçümlerin normalliğini kontrol etmeniz gerekmez, sadece çift gözlemler arasındaki farklar.

Asmi 4: Variance'ın Homojenitesi

Farklılık varsayımı, bağımsız örneklerin t-testi ve ANOVA'nın, tüm karşılaştırma gruplarının aynı varyanlara sahip olduğunu belirtti. Bu varsayım, aynı zamanda varyans veya homoscedasticity eşitliği olarak da adlandırılır, puanların yayılmasının gruplar arasında benzer olduğunu gerektirir.

Farklılık varsayımı Levene'nin Variance Eşitliği Testini kullanarak test edilebilir, ki bu bağımsız t-test prosedürü çalıştırdığınızda SPSS İstatistikler'te üretilir. Çoğu istatistiksel yazılım paketleri otomatik olarak bu testi gerçekleştirirken, bağımsız bir örnek t-testi çalıştırdığınızda.

Bu test önemsiz değilse, bu, bağlı veya sonuç değişkenine iki grup arasındaki farkın homojenliğine sahip olmanız anlamına gelir. Conversely, eğer Levene'nin testi önemliyse, bu iki grubun bağımlı veya sonuç değişkenine göre homojenliği göstermediği anlamına gelir.

Gruplar arasındaki örnek boyut oranları farklı olduğunda, daha fazla dikkat, tek başına olmadığı zaman, yanlış bir şekilde sonuçlandırılmalıdır.

Bağımsız Örnekler T-Test

Şimdi, t-testlerin ve varsayımlarının türlerini anladığınızı, bağımsız bir örnek t testi yürütmenin ayrıntılı sürecinden geçelim, bu tedavi gruplarıyla karşılaştırmak için kullanılan en yaygın türü.

Adım 1: Hipotezlerinizi Formulate

Her istatistik testi açıkça hipotezlerle başlar. null hipotezi (H0) bir etki veya fark olmadığı varsayılan pozisyonu temsil eder. alternatif hipotez (H1 veya Ha) göstermeye çalıştığınız şeyi temsil eder.

Bağımsız bir örnek için iki tedavi grubuyla karşılaştırılır, hipotezleriniz şöyle olacaktır:

  • Null Hipotez (H0): Tedavi grubu 1 ve tedavi grubu 2 Mathematically: μ1 = μ2
  • Alternatif Hipotez (H1): İki tedavi grubu arasındaki önemli bir fark var. Matematiksel olarak: μ1 ⁇ μ2

Bu formülasyon, belirli bir yön tahminine sahip olmadığınızda uygun olan iki ayarlı bir testi temsil eder. Hangi grubun daha yüksek bir anlamı olacak, bir tane çizilmiş test kullanabilirsiniz, ancak iki ayarlı testler genellikle daha muhafazakar ve yaygın olarak kabul edilir.

Adım 2: Kayıt Düzeyinizi Belirlen

İki bağımsız grubu karşılaştırdığınızda α=0.05 ayarladığınızı varsayalım. İşte, bilinmeyen nüfusun% 5 oranında uyumlulaştırmaya karar verdiniz, istatistiksel önemini belirlemek için değer seviyenizi (alpha) temsil eder.

En yaygın kullanılan önem seviyesi 0.05, bu, bir Tip I hatası yapma şansına sahip olmanız anlamına gelir (gerçekten doğru olduğunda null hipotezini kabul etmek). Bazı alanlarda veya daha kritik kararlar için araştırmacılar, 0.01 veya 0.01 gibi daha sıkı seviyeleri kullanabilir.

Adım 3: Verilerinizi toplayın ve organize edin

İki tedavi grubunuzdan veri toplama verileri toplama yöntemlerinizin titiz olduğunu ve uygulanabilir olup olmadığınız doğru rastgeleleştirme prosedürlerini takip ettiğinizden emin olun. Verilerinizin her katılımcı için ölçülen sonuçları ve ölçülen sonuçları değişkeni ile organize edilmesi gerekir.

Örneğin, iki ağrı ilaçları karşılaştırırsanız, sahip olabilirsiniz:

  • Grup 1 (Drug A): 30 hastadan gelen Ağrı puanları
  • Grup 2 (Drug B): 30 hastadan gelen Ağrı puanları

Her grup için örnek boyut (n1 ve n2), hesaplamalarınız için bu değerlere ihtiyacınız olacak gibi. Ayrıca bu aşamada temel tanımlayıcı istatistikler hesaplamak için iyi bir uygulamadır, her grup için de ifade ve standart sapmalar dahil.

Adım 4:Demürlerin Kontrol

Test edilenle devam etmeden önce, verilerinizin gerekli varsayımlarla buluştuğunu doğrulama. Bu genellikle göz ardı edilen kritik bir adımdır, ancak sonuçlarınızın geçerliliğini önemli ölçüde etkileyebilir.

Normallik için kontrol edin: Her grup için histogramlar veya Q-Q arsaları oluşturun. Eğer örnek büyüklüğüniz küçük (grup başına 30'dan fazla), Shapiro-Wilk testi çalıştırmayı düşünün. t-testin normalliği ihlal etmek için oldukça sağlam olduğunu unutmayın, özellikle daha büyük örneklerle.

Variance homogeneity için kontrol edin: Çoğu istatistik yazılımı, bağımsız bir örnek t testi çalıştırdığınızda Levene'nin testini otomatik olarak gerçekleştirecektir. Ayrıca her gruptaki kutuları kullanarak verilerin yayılmasını da karşılaştırabilirsiniz.

Outliers için kontrol edin: Verilerinizi aşırı değerler için test edin, sonuçlarınızı etkileyemez. Boxplots, dışlayıcıları bulmak için yararlıdır, veri girişi hataları, ölçüm hataları veya meşru aşırı değerleri temsil edip etmediğinizi araştırır.

Bağımsızlığı doğrulayın: Araştırma tasarımınızı ve veri toplama prosedürlerinizi gözlemler bağımsızdır. Bu genellikle istatistiksel olarak test edebileceğiniz bir şeyden ziyade bir tasarım konusudur.

Adım 5: Descriptive Statistics

T-statistik hesaplamadan önce, her grup için aşağıdaki tanımlayıcı istatistikler hesaplayın:

  • Örnek boyut (n1 ve n2)
  • Örnek (XCAS1 ve XCAS2) anlamına gelir.
  • Örnek standart sapma (s1 ve s2)
  • Örnek variance (s12 ve s22)

Bu değerler, test hesaplarınızda kullanılacaktır ve aynı zamanda okuyucularınıza verilerinizin tam bir resmini vermek için sonuçlarınızda da raporlanmalıdır.

Adım 6: T-Statistic'ı hesaplayın

Örneklemeniz arasındaki farkı kaç standart hataların sıfırdan (noklama hipotezi değeri) bağımsız örneklerin test edilmesi:

t = (XCAS1 - XCAS2) / SE

Nerede:

  • XRAN1 = Grup 1 anlamına
  • XRAN2 = grup 2 anlamına
  • SE = arasındaki farkın standart hatası

Standart hata (SE) eşit değişkenliklere bağlı olarak farklı olarak hesaplanmıştır. eşit değişkenlikler için (tek taraflı varyan yaklaşım), formül:

SE = √[s2pooled × (1/n1 + 1/n2)]

Havuzlu varyanlık nerededir:

s2pooled = [(n1-1)s12 + (n2-1)s22] / (n1 + n2 - 2)

Bu havuzlu varyan yaklaşım, her iki gruptan da tek bir değişkenlik tahminini oluşturmak için bilgi birleştirir, bu sonra standart hatayı hesaplamak için kullanılır.

Adım 7: Özgürlüklerin Belirlenmesi

Özgürlük Dereceleri (df) bir parametre tahmin etmek için mevcut olan bağımsız bilgi parçalarını temsil eder. Bağımsız örnekler için eşit yetimlerle test edilir, özgürlük dereceleri hesaplanır:

df = n1 + n2 - 2

Örneğin, grup 1 ve 30'da grup 2'de 30 katılımcınız varsa, özgürlük dereceniz 30 + 30 - 2 = 58 olacaktır.

Özgürlük dereceleri önemlidir, çünkü hangi dağıtımını kritik değeri ve değerlerinizi bulmak için kullanacağınızı belirlerler. özgürlük artışı dereceleri olarak, dağıtım normal dağıtıma yaklaşımlar.

Adım 8: Eleştirel Değer ve P-Value

Bir t- dağıtım masası veya istatistiksel yazılım kullanarak, seçilmiş öneminize karşılık gelen kritik değeri (tipik olarak 0.05) ve özgürlük derecelerinizi). α = 0.05 ve df = 58, kritik değer yaklaşık ±2.00 olacaktır.

P-değer, hesaplanan kişi olarak bir t-statistik elde etme olasılığını temsil eder, null hipotezinin doğru olduğunu varsayar. p-değer, test sonuçlarını null hipotezi altında gözlemleme olasılığını verir.

P değerli, null hipotezi doğru olsaydı gözlemlenen kişi gibi bir sonucu elde etme olasılığı daha düşük. Böylece, düşük değer, null hipotezi için destek azalttı.

Adım 9: Kararınızı Yap

Hesaplanan t-statistikinizi kritik değere kıyasla veya p değerini sizin öneminize kıyasla:

  • Eğer hesaplanmışsa; t-kritik (veya değer velt; α): Bu, tedavi grupları arasında istatistiksel olarak önemli bir fark gösterir.
  • Eğer hesaplanmışsa; ≤ t-kkri (veya değer değeri ≥ α): Sayısal hipotezleri reddetme. Bu, önemli bir farkın var olduğunu gösteren yetersiz kanıtları gösterir.

“Çeşme hipotezini reddetmeye karar vermek önemlidir” veya “bir fark yok” olarak aynı değildir. Bu, sadece sizin verilerinize ve seçilmiş değer seviyesine göre bir fark yaratmanız için yeterli kanıta sahip değildir.

Welch'in T-Testi: Variances Ne Zaman Eşitsizdir

Eğer varyan varsayımın homojenitesi 2 milyondan fazla t testi ile karşılanmazsa, ancak veriler normalde dağıtılır, uygulanan bir t-test (Welch'in yaklaşık t-testi) vardır. Welch'in t-testi, gruplar arasındaki eşit değişkenleri varsaymak için standart bağımsız örneklerden bir değişiklik değildir.

Levene'nin testi, farklılıkların gruplar arasında önemli ölçüde farklı olduğunu gösterirken, standart t testi yerine Welch'in t-testini kullanmalısınız. Çoğu istatistiksel yazılım paketleri otomatik olarak testin her iki versiyonunu sağlar, değişken testin sonuçlarına dayanarak seçmenize izin verir.

Welch'in t-testi standart hata ve özgürlük derecelerini hesaplamak için farklı bir formül kullanır. Özgürlük hesaplaması daha karmaşık ve tipik olarak, non-integer değeri ile sonuçlanır. Welch'in t-test avantajı, özellikle de örnek boyutlarda eşitsiz olduğunda daha doğru sonuçlar sağlar.

Bir Paired Örnekleri T-Test

Verileriniz aynı konulardan eşleştirilmiş çiftlerden veya tekrarlanan önlemlerden oluştuğunda, bağımsız örneklerden t testi yerine bir çiftleştirilmiş örnek kullanırsınız. Süreç benzer ama bazı önemli farklılıklarla birlikte.

Fark Puanlarını Hesaplamak

Tek testli t-testler için eşsiz ilk adım, her bir çift için fark puanını hesaplar. Her konu veya maçlanmış çift için, ilk (veya yardımcısı ve tam tersi, tutarlı olduğu sürece):

d = X1 - X2

Bu fark puanları analiz için verileriniz haline gelir. Çift test tam olarak her çiftteki farka dayanan tek-sample t-testdir.

Paired Data için T-Statistic'ı hesaplayın

Bir çiftleştirilmiş örnek için t-statistik olarak hesaplanır:

t = (dAMA - 0) / (sd / √n)

Nerede:

  • dAMA = farkı puanları anlamına gelir
  • sd = farkın standart sapması
  • n = çift sayısı
  • 0 = hipotezler arasındaki fark (genellikle sıfır)

Çiftleştirilmiş bir t testi için özgürlük derecesi sadece n - 1, n'in çift sayısı olduğu.

Paired T-Tests için varsayımlar

Çiftleştirilmiş ölçümler arasındaki farkları test etmek için, aşağıdaki varsayımların tutulması gerekir: Bir konu için bağımsız ölçümler başka bir konu için ölçümleri etkilemez. Eşleştirilmiş ölçümlerin her biri aynı konuyla elde edilmelidir.

Ayrıca, ölçülen farklılıklar normal olarak dağıtılır. Fark puanlarının normalliğini kontrol ettiğinizden, orijinal ölçümler değil.

T-Test Sonuçlarının Yorumlanması

Proper yorumu, sonucun “önemli” veya “önemli değil” olup olmadığının ötesine geçer. Tamamlanan bir yorum birkaç bileşen içermelidir.

İstatistiksel İşaret

Eğer p-değeriniz önceden belirlenmiş önem seviyenizden daha azsa (tipik olarak 0.05), null hipotezini reddediyorsunuz ve gruplar arasında istatistiksel olarak önemli bir fark olduğunu sonucuna varıyorsunuz. Bu, gözlemlenen farkların tek başına şansla gerçekleşebilmesi anlamına gelir.

Eğer p değerliliğiniz, önemli seviyenize göre daha büyükse, null hipotezini reddetmeniz gerekir. Bu, önemli bir farkın var olduğu sonucuna varmak için yeterli kanıta sahip değildir. Ancak, bu aynı değildir - sadece rastgele varyasyon nedeniyle herhangi bir fark olabilir.

Pratik Kayıt ve Etkisi Boyut

İstatistiksel önem mutlaka pratik veya klinik önem anlamına gelmez. Gruplar arasındaki çok küçük bir fark, büyük bir örnek büyüklüğüne sahipseniz istatistiksel olarak önemli olabilir, ancak bu fark pratik anlamda anlamlı olmayabilir.

Etkisi büyüklüğü, gruplar arasındaki farkın büyüklüğü hakkında bilgi sağlar, örnek boyut bağımsız. Cohen'in d, t-tests için en yaygın kullanılan etki büyüklüğü ölçüdür. Standart sapma birimlerinde kullanılan farkı temsil eder:

Cohen'in d = (XAMA1 - XCAS2) / spooled

Cohen'in d'sini yorumlamak için genel kurallar:

  • Küçük etki: d = 0.2
  • Orta etki: d = 0,5
  • Büyük etki: d = 0.8

Küçük bir etki büyüklüğü ile istatistiksel olarak önemli bir sonuç, istatistiksel öneme ulaşmadığı büyük bir etki boyutu (küçük örnek büyüklüğü nedeniyle) hala dikkat ve daha fazla soruşturma garanti edebilir.

Güven Intervals

Değerin yanı sıra, arasındaki fark için güven aralıklarını rapor etmelisiniz.% 95 güven aralığı, gerçek nüfus farkının yalan söylediğinin% 95'ini sağlar.

Farklılık için güven aralığı sıfır içeriyorsa, bu önemsiz bir sonuca karşılık gelir (örneğin 0.05 seviyesi). Eğer aralık sıfır içermezse, sonuç önemli. Güven aralıkları sadece değerlerden daha fazla bilgi sağlar çünkü her iki yönde ve etkinin büyüklüğüne de sahiptir.

Raporlama T-Test Sonuçlar

Bağımsız bir t testinin sonucunu rapor ettiğinizde, t-statistik değerini, özgürlüğün derecelerini (df) ve testin önemini içeren gerekir (p-değer).Test sonucunun formatı: t(df) = t-statistik, p= değer.

Tam bir t testi sonuçlarının raporu şunları içermelidir:

  • Her grup için tanımlayıcı istatistikler (means, standart sapmalar, örnek boyutlar)
  • varsayım testinin sonuçları (normallik testleri, Levene’nin testi)
  • T-statistik, özgürlük dereceleri ve p-değerdeğer
  • Etkisi büyüklüğü (Cohen's d)
  • Farklılık için güven aralığı,
  • Araştırma sorum bağlamındaki sonucunuzun açık bir ifadesi

Örneğin: "Bir bağımsız örnek t-testi, Uyuşturucu A ve İlaç B. Levene'nin testi eşit varianslar (F = 1.23, p = .27), D = 1.03,% 95 CI [-2.4, n = 30) uyuşturucuyu alan hastalardan daha düşük ağrı puanlarını karşılaştırmak için yapıldı (M = 5.8, SD = 1.6, n = 30), t = 0,05, p < .001, d = 1.03,% 95 CI [-2.4, -% 10,0,0,0) Bu, ilaç tedavisini hak eden bir ilaçtan daha iyi ifade eder.

Common Hatalar Kaçmak için

Ortak pitfalls anlamak daha titiz t-testler yapmanıza yardımcı olabilir ve sonuçlarınızı geçersiz kılabilecek hatalardan kaçınabilirsiniz.

Asimleri görmezden gelmek

En yaygın hatalardan biri, verilerinizin test edilen varsayımları ile karşı karşıya olup olmadığını kontrol etmek değildir. t-tests küçük ihlallere nispeten sağlam olsa da, ciddi ihlaller yanlış sonuçlara yol açabilir.Her zaman normalliği kontrol edebilir, değişkenliği kontrol edin ve sonuçlarınızı yorum yapmadan önce bağımsızlığınızı kontrol edin.

T-Test'in Yanlış Tipini Kullanın

Bağımsız ve eşleştirilmiş t-testler arasında seçim çok önemlidir. Bağımsız bir örnek kullanarak, çiftleştirilmiş bir verileri (veya tersi) size yanlış sonuçlar verecektir. Anahtar soru, gözlemlerinizin bağımsız olup olup olmadığıdır. Aynı konularda iki kez eşleştirilirse, eğer konular bir eşli t testi kullanırsa.

İstatistiksel ve Pratik İşareti

İstatistiksel olarak önemli bir sonuç, bulgularınızın etkisini ve sonuçlarınızın pratik etkilerini otomatik olarak ifade etmez. Benzer şekilde, önemsiz bir sonuç, çalışmanızın küçük bir etki tespit etmek için güçlü olduğu anlamına gelmez.

Düzeltme olmadan Birden Çok Test

Aynı veri kümesinde birden çok test yaparsanız, birden fazla karşılaştırma yaparak hatalarınızı artırın (daha iyi pozitifler) Her testin yerine ANOVA’yı kullanarak önemli bir sonuç üretme şansı vardır.Eğer 20 test yaparsanız, tek başına bir önemli sonuç beklersiniz.

Tamamlanmış Raporlama

Basitçe raporlama "p < .05" yetersiz. Okuyucuların gerçek değeri (veya en azından .01 veya .001'den daha az) bilmeleri gerekir, t-statistik, özgürlük dereceleri, tanımlayıcı istatistikler ve sonuçlarınızı tamamen anlamak için etkisi.

T-Tests için İstatistiksel Yazılım Kullanımı

Tek testlerin matematiksel temellerini anlamak önemlidir, çoğu araştırmacı gerçek hesaplamaları gerçekleştirmek için istatistiksel yazılım kullanır. Bu hesaplama hataları azaltır ve varsayım testleri, etki boyutları ve güven aralıkları dahil olmak üzere kapsamlı bir çıktı sağlar.

SPSS

SPSS (Sosyal Bilimler için İstatistiksel Paket) sosyal bilimlerde, psikolojide ve sağlık araştırmalarında yaygın olarak kullanılır. SPSS'de bağımsız örnekler test etmek, Analyze >'e gidin; Karşılaştırmalı Testler ve Test.Bağımlı değişkenlerinizi seçin ve gruplama değişkenlerini tanımlayın, sonra karşılaştırmak istediğiniz grupları tanımlayın.

SPSS otomatik olarak Levene'nin varyanların eşitliği için testini sağlar ve hem eşit değişkenler için hem de eşit değişkenler varsayılır (Welch'in testi). Çıktısı tanımlayıcı istatistikler, t-test sonuçları ve güven aralıkları içerir.

R Programlama Programlama

R, araştırmada giderek popüler olan özgür, açık kaynak istatistiki programlama dilidir. R'de bir t-test yapmak için temel işlev t.test(). Bağımsız örnekler için t-test, kullanırsınız:

t.test(outcome - grup, veriler = mydata, var.equal = TRUE)

Mevcut var.equal = FALSE, Welch'in t-testini gerçekleştirecek.Bir çiftli t-test için, tartışmayı ekleyin = TRUE.

R, veri manipülasyonu, görselleştirme ve gelişmiş istatistik analizleri için kapsamlı bir esneklik sağlar. Yayın kalitesi grafikleri oluşturabilir ve ggplot2 ve araba gibi paketler kullanarak varsayım testleri yapabilirsiniz.

Excel Excel Excel

Özel istatistik yazılımı kadar sofistike olmasa da, Microsoft Excel temel t testi gerçekleştirebilir. fonksiyonu T.TEST() hem bağımsız hem de eşleştirilmiş t testileri yürütebilir. Ancak Excel otomatik olarak varsayımları kontrol etmez veya kapsamlı bir çıktı sağlar, bu yüzden basit analizler veya ön aramalar için en uygun.

Daha titiz bir araştırma için, adanmış istatistiksel yazılım daha eksiksiz bir çıktı, daha iyi iş eksik verileri sağlar ve yerleşik varsayım testlerini içerir.

Python Python Python Python

Python, SciPy ve statsmodels gibi kütüphanelerle, istatistiksel analiz için giderek daha fazla kullanılır, özellikle de veri bilimi bağlamlarında. scipy.stats modülü t-testleri yürütmek için işlevleri içerir:

ipy import stats
İstatistik(grup1, grup2) Bağımsız örnekler için
İstatistikler.ttest rel (daha önce, sonra) Çiftleştirilmiş örnekler için

Python, veri manipülasyonu (pandas) ve görselleştirme (matplotlib, denizborn) kütüphaneleri ile mükemmel bir entegrasyon sunar ve kapsamlı veri analiz akışları için güçlü bir seçim yapar.

Alternatifler T-Tests

t testisler güçlü ve yaygın olarak uygulanabilir olsa da, alternatif istatistiksel yöntemlerin daha uygun olduğu durumlar vardır.

Parametrik olmayan Testler

Veriler normalde dağıtılmazsa ve normallik varsayımını karşılamak için dönüştürülemezsek, parametrik olmayan bir test kullanmaya zorlanacaktır. Bunlar genellikle çiğ verileri yerine sıraların kullanımını yapar ve parametrik testlerden daha az güçlü olur, ancak aynı varsayımları parametrik testler olarak gerektirmez.

2 milyondan fazladan bir testin anlamı Mann-Whitney testidir. Ayrıca Mann-Whitney U testi veya Wilcoxon sıralama testi olarak da bilinir, bu test normallik olmadan iki bağımsız grubun dağıtımlarını karşılaştırır.

Çiftleştirilmiş veriler için Wilcoxon imzalanmış test (tekleştirilmiş örnekler için) kullanılabilir. Bu test, çiftlerin test edilmemiş ve çiftlerin arasındaki farkların normalde dağıtılmadığı zaman uygun değildir.

Birden Çok Grup için BirNOVA

İki gruptan daha fazla karşılaştırmanız gerekiyorsa, birden fazla test yapmak yerine Variance (ANOVA) Analizini kullanmalısınız. Üç veya daha fazla grup arasında önemli farklılıklar olup olmadığınız ANOVA testleri genel Type I hata oranını kontrol ederken.

Birden fazla çifttif t-testi yapmak yanlış pozitif riskinizi şişiririr. Örneğin, üç grubu karşılaştırarak üç tane test gerektirir (grup 1 vs. 2, Grup 1 vs. 3, Grup 2, Grup 2, 3), her biri% 5 hata oranıyla, çok daha yüksek bir genel hata oranıyla sonuçlanır.

Regresyon Analizi

Kontrol etmek istediğiniz ek değişkenler olduğunda veya sürekli tahminci ve sonuç arasındaki ilişkiyi incelemek istediğinizde, regresyon analizi bir t-testten daha uygun olabilir. Multi regresyon, tedavi değişkeninizin etkisini yaş, cinsiyet veya temel ölçümler gibi kontrol ederken incelemenizi sağlar.

Örnek Boyut Tahminleri

Çalışmanızın örnek büyüklüğü, testinizin geçerliliği ve gücü için önemli etkilere sahiptir. Klinik çalışmalar genellikle küçük örnek boyutlarına sahiptir. Örnek büyüklüğü, değişkenlik üzerindeki bireysel örneklerin değerlerinin etkisini daha büyük ölçüde göstermektedir.

Güç Analizi

Çalışmanızı yapmadan önce, doğru bir istatistik gücü ile verilen bir boyut etkisini tespit etmek için bir güç analizi yapmalısınız. Power, yanlış olduğunda null hipotezini doğru şekilde reddetme olasılığını ifade eder (örneğin, gerçek bir etki algılama).

Konvansiyonel standartlar,% 80 güç hedeflemeyi önerir, yani bir varsa gerçek bir etki tespit etme şansınız var. Güç dört ilgili faktörlere bağlıdır: örnek boyut, etki büyüklüğü, önem seviyesi (alpha), ve istatistiksel test kullanılır.

Büyük bir etki boyutunu beklerseniz, küçük etkiler arıyorsanız, yeterli güce sahip olmak için daha büyük örneklere ihtiyacınız olacaktır.Birçok ücretsiz online hesaplayıcı ve yazılım paketleri (örneğin G*Power) t-tests için güç analizlerine yardımcı olabilir.

Minimum Örnek Boyut Önerileri

Normal bir dağıtım için kılavuzlara dayanarak, grup başına 30 katılımcının istikrarlı bir sonuç elde etmesi için idealdir. Simülasyon çalışmaları, örnek bir boyut n > her grup için 20 ve her iki grup eşit büyüklükteyse, t-testin sağlam, istikrarlı bir istatistiksel sonuçlar üretmesi gerekir.

Ancak, bunlar genel kurallardır. İhtiyacınız olan gerçek örnek büyüklüğü, beklenen etki büyüklüğüne ve istenen güç seviyesine bağlıdır. Küçük örnekler büyük etkileri tespit etmek için kabul edilebilir, küçük etkileri tespit ederken daha büyük örnekleri tespit edebilirsiniz.

Gelişmiş Tahminler

Bir-Tailed vs. İki-Tailed Testler

Çoğu t-tests iki yönlüdür, yani bir yön belirtmeden gruplar arasında herhangi bir fark için test edersiniz. Ancak, verileri toplamadan önce farkı tahmin etmek için güçlü bir teorik nedeniniz varsa, bir tıklı test kullanabilirsiniz.

Bir ara sınav tahmin edilen yönde etkileri tespit etmek için daha güçlüdür, ancak ters yönde etkileri tespit edemezler. sadece etkinin yönü hakkında önceden bir hipoteze sahip olduğunuzda ve tam tersi yönde bir etki bulmak teorik olarak anlamsız veya imkansız olacaktır.

İki ayarlı testler genellikle araştırmada tercih edilir, çünkü daha muhafazakarlar ve önceden bir yön belirtmeniz gerekmez. Çoğu dergi ve incelemeci, bir tek ayarlı bir yaklaşım için zorlayıcı bir gerekçe olmadıkça iki ayarlı test bekliyor.

Eksik Data

Eksik veriler araştırmada ortak bir meydan okumadır. En basit yaklaşım tam vaka analizi (listif deletion), herhangi bir katılımcıyı eksik verilerle dışlamanızdır. Ancak, bu, örnek boyut ve istatistiksel gücünü azaltabilir ve veriler tamamen rastgele eksik değilse önyargıyı ortaya çıkarabilir.

Daha sofistike yaklaşımlar, eksik değerlerin veri setinizde diğer değişkenlere göre tahmin edildiği veya en yüksek olasılık tahminlerine göre olduğunu içerir. Uygun yöntem, verilerinizdeki eksikliğin şekline ve mekanizmasına bağlıdır.

Outliers ile anlaşma

Outliers, özellikle küçük örnek boyutlarda ciddi bir etkiye sahip olabilir. İlk önce verileri giriş veya ölçüm hataları olmadığını doğrulayın.Eğer yasal aşırı değerleri temsil ederlerse, birkaç seçeneğiniz vardır:

  • Rapor hem de etkilenmeden sonuçları sonuçları sonuçları, etkilerini değerlendirmek için
  • Güçlü istatistiksel yöntemleri daha az hassas toncular
  • Verilerinizi aşırı değerlerin etkisini azaltmak için dönüştürme
  • Outliers tarafından daha az etkilenen parametrik olmayan testler kullanın

Asla dışlayıcıları ortadan kaldırmaz çünkü hipotezinizi desteklemezler.Veri puanlarını analiz etmeden önce belirlenen objektif kriterlere dayanarak herhangi bir karar yapılmalıdır ve tüm dışlamalar açıkça raporlanmalıdır.

Gerçek Dünya Uygulamaları

Klinik Denemeler

T-tests, tedavi sonuçları ile karşılaştırmak için klinik araştırmalarda temeldir. Örneğin, bir ilaç şirketi, tedavi öncesi ve tedaviden sonra hastaların semptomları karşılaştırmak için bağımsız bir örnek kullanabilir.

Klinik bağlamda, hem istatistiksel hem de klinik önem önemlidir. Bir tedavi istatistiksel olarak önemli bir gelişme üretebilir, ancak iyileşmenin büyüklüğü hastaların yaşam kalitesine önemli ölçüde küçükse, klinik olarak anlamlı olmayabilir.

Eğitim Araştırması

Educators sıklıkla öğretim müdahalelerini değerlendirmek için t-tests kullanır. Örneğin, bir araştırmacı, öğrencilerin geleneksel bir yönteme karşı yeni bir talimat yöntemi ile öğrettiği sınav puanlarını karşılaştırabilir veya öğrencilerin önceden test öncesi ve test sonrası puanlarını karşılaştırır (konuşturucu örnekler).

Eğitim ortamlarında, etki boyutları özellikle önemlidir, çünkü eğitimciler sadece bir müdahalenin işe yaramadığını anlamalarına yardımcı olurlar, ancak gerekli çaba ve kaynaklara göre ne kadar gelişmeyi sağlarlar.

Psikoloji ve Sosyal Bilimler

Psikolojik araştırmalar genellikle çeşitli önlemler üzerinde gruplar karşılaştırmak için t-testleri kullanır. Örnekler terapi ve kontrol grupları arasındaki kaygı seviyelerini karşılaştırır, farklı deneysel koşullar arasındaki reaksiyon süreleri karşılaştırır veya tutumlarda cinsiyet farklılıkları inceler.

Bu alanlarda, araştırmacılar özellikle varsayımlar konusunda dikkatli olmalıdır, psikolojik değişkenler genellikle normallik varsayımlarını mükemmel bir şekilde karşılamaz. varsayımları kontrol etmek ve gerekli olduğunda parametrik alternatifler göz önünde bulundurmak.

İş ve Pazarlama

İşletmeler, veri odaklı kararlar almak için t-tests kullanır. Bir şirket, iki hizmet modeli arasındaki müşteri memnuniyeti puanlarını karşılaştırabilir veya A /B testini kullanarak farklı pazarlama kampanyalarının etkinliğini değerlendirebilir.

İş bağlamda, pratik önem genellikle istatistiksel açıdan daha önemlidir. Satışlarda istatistiksel olarak önemli bir artış, gerçek artış uygulama maliyetlerini dengelemek için çok küçük olup olmadığını takip etmeye değer olmayabilir.

En İyi Uygulamalar ve Öneriler

Test analizlerinizi titiz ve sonuçlarınız geçerli olduğundan, bu en iyi uygulamaları takip edin:

  • Verileri toplamadan önce analizinizi planlayın: Hipotezlerinizi, önemi seviyenizi belirleyin ve veri toplamadan önce güç analizi aracılığıyla örnek boyut gerekir.
  • Her zaman varsayımları kontrol edin: Test testlerini atmayın. Her iki görsel yöntem (histogramlar, Q-Q arsalar, boxplotlar) ve istatistiksel testler (Shapiro-Wilk, Levene'nin testi) verilerinizin t-test gerekliliklerini doğrulamak için.
  • Uygun yazılım kullanın: Elli hesaplamalar süreci anlamanıza yardımcı olsa da, hataları azaltmak ve kapsamlı bir çıktı elde etmek için gerçek analizler için istatistiksel yazılım kullanın.
  • Rapor tamamen: Descriptive istatistikler, varsayım testi sonuçları, t-statistik, özgürlük dereceleri, tam değerler, etki boyutları ve raporlarınızda güven aralıkları.
  • Pratik öneme göz atın: Sadece değerlere güvenmeyin. Her zaman sonuçlarınızı etki boyutları ve pratik önemi bağlamında yorumlayın.
  • ihlaller hakkında şeffaf olun: Verileriniz varsayımları ihlal ederse, bunu kabul edin ve nasıl ele aldığınızı (örneğin, Welch'in eşitsiz veri için eşitsiz değişkenleri veya parametrik olmayan alternatifler için test edin).
  • P-hacking'den kaçının: Çok sayıda analiz yapmayın ve sadece önemli olanları rapor etmeyin. Birden çok test yaparsanız, uygun düzeltmeler kullanın veya tüm sonuçları raporlayın.
  • Verilerinizi görselleştirmek: Grafikler (örneğin boplotlar, keman arsaları veya hata bar grafikler) okuyucuların sonuçlarınızı görsel olarak anlamalarına yardımcı olmak için.
  • Kapsam: Araştırma soru ve mevcut literatür bağlamında istatistiksel sonuçlarınızı yorumlayın. Bulgularınız teori veya uygulama için ne anlama geliyor?
  • Bir istatistikçiliğe danışmanlık düşünün: Karmaşık tasarımlar için veya uygun analiz konusunda emin değilseniz, analizinizin seslenmesini sağlayabilir.

Ek Kaynaklar

T-tests ve istatistiksel analiz anlayışını derinleştirmek için, bu değerli kaynakları keşfedin:

  • Online öğreticiler ve dersler: Web siteleri gibi Khan Akademi T-tests ve diğer temel kavramları kapsayan ücretsiz istatistikler kursları sunar.
  • İstatistiksel yazılım belgeleri: Çoğu istatistik paketi kapsamlı dokümantasyon ve öğreticiler sağlar.The Most Statistics package provides comprehensive documents and tutorials. The The The The R Project Web sitesi R. öğrenme için geniş kaynaklar sunar.
  • Akademik ders kitapları: Klasik istatistikler ders kitapları, t-testlerin, matematiksel temellerinin ve farklı alanlarda uygulamalar hakkında ayrıntılı bir şekilde kapsama sağlar.
  • Profesyonel organizasyonlar: Amerikan İstatistik Birliği gibi gruplar, webinars ve araştırmacıların istatistiksel bilgilerini geliştirmelerine yardımcı olmak için kaynaklar sunar.
  • Online hesaplayıcılar: Kavramları anlamak için bir yedek olmasa da, online t-test hesaplayıcılar hızlı çekler veya öğrenme amaçları için yararlı olabilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

t testi tedavi gruplarıyla karşılaştırmak ve sayısız alanda kanıt temelli kararlar vermek için temel bir istatistiksel araçtır.Bu kılavuzda belirtilen adım adım adım adım sürecine göre - test istatistiki ve yorumlama sonuçlarını hesaplamak için varsayımları hesaplamak için - geçerli, anlamlı bulgular üretebilirsiniz.

İstatistiksel analizin sadece sayı hesaplaması ve p değerlileri elde etmek hakkında olmadığını unutmayın. Bu, anlamlı sorular sormak, kaliteli verileri toplamak, uygun yöntemleri kullanarak ve farklı tipler kullanmak için ayrıntılı bir anlayış, varsayımları doğrulamak ve araştırma çabalarınızda size nasıl iyi hizmet edecek.

Yeni bir tıbbi tedaviyi değerlendirin, eğitim müdahalelerini karşılaştırın veya iş kararlarını kullanarak, t-test, gruplar arasındaki farklılıkların gerçek etkilerini veya sadece rastgele bir şekilde yansıtılması muhtemel olup olmadığını belirlemek için güçlü bir çerçeve sunar.Bu temel istatistik tekniğini ustalaştırarak ve uygulamadaki en iyi uygulamaları takip ederek, değerli, kanıt tabanlı anlayışları alanına katkıda bulunmanız için iyi donanımlı olacaksınız.

İstatistiksel yeteneklerinizi geliştirmeye devam ettikçe, öğrenmenin devam eden bir süreçtir. İstatistiksel yöntemlerdeki gelişmelerle mevcut kalın, analizlerinize geri bildirim aramayın ve karmaşık analitik zorluklarla karşı karşıya kaldığınızda istatistiksel uzmanlarla danışmayı tereddüt etmeyin.Uygulama ve test t-testleri yapmak araştırma aracınıza paha biçilmez bir rol olacaktır.