t- 검정과 반복 측정법 테스트의 차이점이 있습니까?


대답 1:

데이터가 정상적이지 않거나 분포의 반복 테스트없이 표본을 사용하는 경우 t- 검정을 사용합니다. t 분포는 정규 분포에서 추출한 제어 된 샘플링의 표본 기반 버전보다 더 많으며 관측치가 많을수록 정규 분포에 접근합니다. 꼬리에 확률 질량이 더 많기 때문에 관측치가 정상보다 더 높은 빈도로 배치됩니다. 반대로 법선은 분포 중심에 접근 할 때 더 높은 빈도로 관측치를 배치합니다.


대답 2:

두 개의 독립적 인 표본의 평균 차이를 평가할 때마다 t- 검정을 수행합니다. 독립적 인 t 검정 (일반적으로 t- 검정)이 적용되는 예를 고려하십시오.

도시의 두 조직 (A 및 B)에서 일일 임금 근로자의 크기 12와 15의 두 개의 임의 표본이 추출됩니다. 표준 편차 (SD)의 주간 임금은 다음과 같이보고됩니다.

샘플 1 : 평균 1 = 75 $; SD1 = 8; n = 12

샘플 2 : 평균 2 = 65 $; SD2 = 10; n = 15

H0 : 모집단 평균이 비슷하거나 평균 1 = 평균 2

t- 검정 (독립) : t = 2.814; 자유도 (df) = 15 + 12–2 = 25;

t-표로 표시됨 = 2.060. 계산 된 t- 값이 t-tabulated 값보다 크기 때문에 HO를 거부하고 두 조직의 임금이 크게 다르다는 결론을 내립니다.

대응 t- 검정 (반복 측정)을 적용 할 수있는 데이터의 예를 살펴 보겠습니다.

11 명의 남학생들이 통계에서 시험을 받았습니다. 그들은 한 달의 수업료를 받았으며, 두 번째 시험이 끝났습니다. 이 마크는 학생들이 추가 코칭을 통해 얻은 증거를 제공합니까?

I 테스트 마크 : 23 20 19 19 19 20 18 18 20 16

II 테스트의 마크 : 24 19 22 18 20 22 20 20 23 20

H0 : 코칭으로 인해 점수가 개선되지 않았습니다.

학생들이 추가 코칭을 통해 얻은 것을 테스트하기 위해 이전과 비교하여 점수 상승을 테스트하므로 페어 t- 테스트를 적용하십시오.

차이의 평균 (d) = 1.6; SD = 1.645; SE = 0.549; df = 10-1 = 9

t-계산 = 2.915; t-tabulated : 2.262; 따라서, H0는 기각되고 코칭으로 점수가 향상되었다고 결론 내렸다.

위의 예에서 마크가 독립적이라고 가정하고 t-test (t-independent)를 적용하면 다음과 같은 의미가 있습니다.

샘플 1 : 평균 1 = 19.2; SD = 1,813

샘플 2 : 평균 2 = 20.8; SD = 1.873

t- 테스트 (독립) = 1.941; t-tabulated : 2.10; df = 10 + 10–2 = 18

계산 된 t는 t-tabulated보다 작으므로 H0를 수락하고 코칭으로 인해 점수가 개선되지 않는다는 결론을 내립니다.

따라서 위의 예에서 독립적 인 t- 검정을 적용하면 (잘못), 마크가 개선되지 않는다고 결론을 내릴 수 있습니다. 짝을 이루는 t- 검정을 올바르게 적용하면 마크가 개선되었다고 결론 지을 수 있습니다. 코칭으로 인해.

위의 예제가 t-test를 적용 할 때와 paired t-test를 적용 할 때를 잘 보여주기를 바랍니다.


대답 3:

두 개의 독립적 인 표본의 평균 차이를 평가할 때마다 t- 검정을 수행합니다. 독립적 인 t 검정 (일반적으로 t- 검정)이 적용되는 예를 고려하십시오.

도시의 두 조직 (A 및 B)에서 일일 임금 근로자의 크기 12와 15의 두 개의 임의 표본이 추출됩니다. 표준 편차 (SD)의 주간 임금은 다음과 같이보고됩니다.

샘플 1 : 평균 1 = 75 $; SD1 = 8; n = 12

샘플 2 : 평균 2 = 65 $; SD2 = 10; n = 15

H0 : 모집단 평균이 비슷하거나 평균 1 = 평균 2

t- 검정 (독립) : t = 2.814; 자유도 (df) = 15 + 12–2 = 25;

t-표로 표시됨 = 2.060. 계산 된 t- 값이 t-tabulated 값보다 크기 때문에 HO를 거부하고 두 조직의 임금이 크게 다르다는 결론을 내립니다.

대응 t- 검정 (반복 측정)을 적용 할 수있는 데이터의 예를 살펴 보겠습니다.

11 명의 남학생들이 통계에서 시험을 받았습니다. 그들은 한 달의 수업료를 받았으며, 두 번째 시험이 끝났습니다. 이 마크는 학생들이 추가 코칭을 통해 얻은 증거를 제공합니까?

I 테스트 마크 : 23 20 19 19 19 20 18 18 20 16

II 테스트의 마크 : 24 19 22 18 20 22 20 20 23 20

H0 : 코칭으로 인해 점수가 개선되지 않았습니다.

학생들이 추가 코칭을 통해 얻은 것을 테스트하기 위해 이전과 비교하여 점수 상승을 테스트하므로 페어 t- 테스트를 적용하십시오.

차이의 평균 (d) = 1.6; SD = 1.645; SE = 0.549; df = 10-1 = 9

t-계산 = 2.915; t-tabulated : 2.262; 따라서, H0는 기각되고 코칭으로 점수가 향상되었다고 결론 내렸다.

위의 예에서 마크가 독립적이라고 가정하고 t-test (t-independent)를 적용하면 다음과 같은 의미가 있습니다.

샘플 1 : 평균 1 = 19.2; SD = 1,813

샘플 2 : 평균 2 = 20.8; SD = 1.873

t- 테스트 (독립) = 1.941; t-tabulated : 2.10; df = 10 + 10–2 = 18

계산 된 t는 t-tabulated보다 작으므로 H0를 수락하고 코칭으로 인해 점수가 개선되지 않는다는 결론을 내립니다.

따라서 위의 예에서 독립적 인 t- 검정을 적용하면 (잘못), 마크가 개선되지 않는다고 결론을 내릴 수 있습니다. 짝을 이루는 t- 검정을 올바르게 적용하면 마크가 개선되었다고 결론 지을 수 있습니다. 코칭으로 인해.

위의 예제가 t-test를 적용 할 때와 paired t-test를 적용 할 때를 잘 보여주기를 바랍니다.