Słownik metodologiczny · Testy statystyczne

Test t Studenta dla prób niezależnych

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Test t Studenta dla prób niezależnych

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Test t Studenta dla prób niezależnych?

Test t dla niezależnych grup porównuje dwie średnie; wariant Welcha nie zakłada równości wariancji.

Zastosowanie, warunki i dobre praktyki

Test niezależny porównuje średnie dwóch grup złożonych z różnych jednostek. Klasyczny wariant zakłada równość wariancji; test Welcha zwykle lepiej zachowuje poziom błędu przy nierównych wariancjach i liczebnościach. Raportuje się obie średnie, różnicę z przedziałem, t z df, p i efekt standaryzowany, a także ocenia wykres i obserwacje wpływowe.

Najważniejsze zastosowanie: Zwykle preferuj Welcha, szczególnie przy nierównych N lub wariancjach.

Jak to się oblicza i co oznaczają symbole?

tWelcha = (M₁ − M₂) / √(s₁²/n₁ + s₂²/n₂)

M₁ i M₂ są średnimi niezależnych grup, s₁² i s₂² ich wariancjami, a n₁ i n₂ liczebnościami. Wariant Welcha nie zakłada równości wariancji i wykorzystuje przybliżone stopnie swobody Satterthwaite’a. Niezależność dotyczy jednostek: ta sama osoba nie może tworzyć obserwacji w obu grupach.

Jak poprawnie stosować i interpretować hasło „Test t Studenta dla prób niezależnych”?

Przy ocenie pojęcia „Test t Studenta dla prób niezależnych” trzeba określić, czy porównanie dotyczy jednej średniej, dwóch niezależnych grup czy pomiarów tej samej osoby. Dla interpretacji hasła „Test t Studenta dla prób niezależnych” ta decyzja wyznacza źródło wariancji i stopnie swobody. W odniesieniu do hasła „Test t Studenta dla prób niezależnych” w wariancie dla grup niezależnych test Welcha jest często bezpieczniejszym wyborem niż automatyczne zakładanie równych wariancji, natomiast w próbach zależnych analizuje się rozkład różnic.

Ocena pojęcia „Test t Studenta dla prób niezależnych” obejmuje wykres danych, obserwacje wpływowe, niezależność lub poprawne parowanie i praktyczne znaczenie różnicy. Przy ocenie hasła „Test t Studenta dla prób niezależnych” normalność dotyczy rozkładu błędu lub różnic, a nie wymogu idealnie normalnych surowych wyników w każdej grupie. W analizie dotyczącej hasła „Test t Studenta dla prób niezależnych” przy małej próbie analiza wrażliwości może porównać wariant parametryczny, odporny i rangowy.

Co trzeba opisać w raporcie?

Raport dotyczący „Test t Studenta dla prób niezależnych” powinien podać wariant testu, liczebności, średnie i odchylenia standardowe, różnicę średnich z 95% przedziałem ufności, statystykę t, stopnie swobody, wartość p i miarę efektu. Dla interpretacji hasła „Test t Studenta dla prób niezależnych” w próbach zależnych należy jasno nazwać kierunek odejmowania pomiarów.

Zakres raportowania dla hasła „Test t Studenta dla prób niezależnych”: t(df)=…, p=…, różnica średnich=…, 95% CI […], g/d=….

Przykład praktyczny i gotowa interpretacja

Sytuacja: Grupa terapii uzyskała M = 18.4, SD = 5.1, a grupa kontrolna M = 22.7, SD = 6.8; test Welcha dał różnicę −4.3 punktu, 95% CI [−7.0, −1.6].

Jak ją zinterpretować: Różnica dotyczy średnich dwóch odrębnych grup; wariant Welcha uwzględnia nierówne wariancje bez wymuszania wspólnego oszacowania. Należy interpretować jednostki różnicy i przedział, a nie tylko znak t.

Najczęstsza pułapka i granica interpretacji

Klasyczny wariant z równymi wariancjami może być zawodny przy nierównych grupach.

Istotny wynik „Test t Studenta dla prób niezależnych” nie oznacza dużej lub ważnej różnicy, a wynik nieistotny nie dowodzi równości średnich. Przy ocenie hasła „Test t Studenta dla prób niezależnych” do takiego wniosku potrzebne są przedział ufności i ewentualnie wcześniej zdefiniowany margines równoważności.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).

Powiązane hasła

Test t Studenta dla prób zależnychTest t StudentaTest t Studenta dla jednej próbyChi-kwadrat (test niezależności)Test FriedmanaTest Kołmogorowa-Smirnowa

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Wielkość efektu: jak ocenić znaczenie wyniku poza wartością p

Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.

Czytaj →Poradnik

Pytania badawcze i hipotezy: jak przejść od teorii do analizy

Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  2. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
  3. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  4. Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
  5. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
  6. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}
@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
R