Yleinen kysymys kahta mittaussarjaa verrattaessa on, käytetäänkö parametrista vai ei-parametrista testausmenettelyä. Useimmiten useita parametrisia ja ei-parametrisia testejä verrataan simulaatiolla, kuten t-testi, normaalitesti (parametriset testit), Wilcoxon-tasot, van der Walden-pisteet jne. (ei-parametriset).
Parametriset testit olettavat tietojen taustalla olevat tilastolliset jakaumat. Siksi useiden todellisuusehtojen on täytyttävä, jotta niiden tulos olisi luotettava. Ei-parametriset testit eivät ole riippuvaisia mistään jakaumasta. Siten niitä voidaan soveltaa, vaikka parametriset todellisuusehdot eivät täyty. Tässä artikkelissa tarkastelemme parametrista menetelmää, nimittäin Studentin korrelaatiokerrointa.
Näytteiden parametrinen vertailu (t-Student)
Menetelmät luokitellaan sen perusteella, mitä tiedämme analysoimistamme aiheista. Perusajatuksena on, että on olemassa joukko kiinteitä parametreja, jotka määrittelevät todennäköisyysmallin. Kaikki Studentin kertoimen tyypit ovat parametrisia menetelmiä.
Nämä ovat usein niitä menetelmiä, joita analysoidessaan näemme, että kohde on suunnilleen normaali, joten ennen kriteerin käyttöä kannattaa tarkistaa normaalisuus. Eli piirteiden sijoittelu Studentin jakaumataulukossa (molemmissa otoksissa) ei saisi poiketa merkittävästi normaalista ja sen tulee vastata tai suunnilleen sopia määritettyä parametria. Normaalijakaumassa on kaksi mittaa: keskiarvo ja keskihajonta.
Opiskelijan t-testiä sovelletaan hypoteesien testaamiseen. Sen avulla voit testata aiheisiin soveltuvaa oletusta. Tämän testin yleisin käyttötarkoitus on testata, ovatko kahden näytteen keskiarvot samat, mutta sitä voidaan soveltaa myös yhteen näytteeseen.
On lisättävä, että parametrisen testin etuna ei-parametrisen testin sijaan on, että ensimmäisellä on enemmän tilastollista tehoa kuin jälkimmäisellä. Toisin sanoen parametrinen testi johtaa todennäköisemmin nollahypoteesin hylkäämiseen.
Yksiotos t-opiskelijatestit
Yksiotos Studentin osamäärä on tilastollinen menettely, jolla määritetään, voidaanko havaintojen näyte tuottaa prosessilla erityisellä keskiarvolla. Oletetaan tarkasteltavan piirteen keskiarvo Mх eroaa tietystä A:n tunnetusta arvosta. Tämä tarkoittaa, että voimme olettaa H0 ja H1. Yhden näytteen t-empiirisen kaavan avulla voimme tarkistaa, minkä olettamuksista oletamme oikeaksi.
Studentin t-testin empiirisen arvon kaava:
Opiskelijoiden t-testit itsenäisille näytteille
Riippumaton Studentin osamäärä on sen käyttö, kun saadaan kaksi erillistä sarjaa riippumattomia ja tasaisesti jakautuneita näytteitä, yksi kummastakin verrattavasta vertailusta. Riippumattomalla oletuksella oletetaan, että kahden näytteen jäsenet eivät muodosta korreloitujen piirrearvojen paria. Oletetaan esimerkiksi, että arvioimme lääkehoidon vaikutuksen ja otamme tutkimukseemme 100 potilasta, minkä jälkeen jaamme satunnaisesti 50 potilasta hoitoryhmään ja 50 kontrolliryhmään. Tässä tapauksessa meillä on vastaavasti kaksi riippumatonta näytettä, voimme muotoilla tilastolliset hypoteesit H0 ja H1ja testata niitä annettujen kaavojen avulla. meille.
Kaavat Studentin t-testin empiiriselle arvolle:
Kaavaa 1 voidaan käyttää likimääräisiin laskelmiin, näytteisiin, joiden lukumäärä on lähellä, ja kaavaa 2 tarkkoihin laskelmiin, kun näytteiden lukumäärä eroaa huomattavasti.
T-Student-testi riippuvaisille näytteille
Parilliset t-testit koostuvat yleensä vastaavista samojen yksiköiden pareista taiyksi yksikköryhmä, joka testattiin kahdesti ("uudelleenmittauksen" t-testi). Kun meillä on riippuvaisia otoksia tai kaksi tietosarjaa, jotka korreloivat positiivisesti keskenään, voimme vastaavasti muotoilla tilastolliset hypoteesit H0 ja H1ja tarkista ne meille annetulla kaavalla Studentin t-testin empiiriselle arvolle.
Esimerkiksi koehenkilöt testataan ennen hoitoa korkean verenpaineen var alta ja testataan uudelleen verenpainetta alentavalla lääkkeellä hoidon jälkeen. Vertaamalla samoja potilaiden pisteitä ennen hoitoa ja sen jälkeen käytämme kutakin tehokkaasti omana kontrollinamme.
Täten nollahypoteesin oikea hylkääminen voi tulla paljon todennäköisempää, ja tilastollinen teho kasvaa yksinkertaisesti siksi, että potilaiden välinen satunnaisvaihtelu on nyt eliminoitu. Huomaa kuitenkin, että tilastollisen tehon kasvu tulee arvioinnista: tarvitaan lisää testejä, jokainen aihe on tarkistettava uudelleen.
Johtopäätös
Hypoteesitestauksen muoto, Studentin osamäärä on vain yksi monista tähän tarkoitukseen käytetyistä vaihtoehdoista. Tilastotyöntekijöiden tulisi lisäksi käyttää muita menetelmiä kuin t-testiä tutkiakseen enemmän muuttujia suuremmilla otoskooilla.
