Testes estatísticos: o que significam, exemplos e tipos

testes estatísticos
Fonte da imagem: Course Downloader

Os testes estatísticos são um componente essencial da análise de dados. Eles nos auxiliam na compreensão dos dados e nas conclusões sobre a população. Eles também são usados ​​para investigar relações variáveis ​​e testar hipóteses. Geralmente, eles são um método de análise de dados para determinar se há ou não uma diferença significativa entre os dois grupos. Com a ajuda de exemplos, discutiremos os vários tipos de testes estatísticos e seu significado nesta postagem do blog.

O que são testes estatísticos?

Testes estatísticos são usados ​​para determinar se dois conjuntos de dados são significativamente diferentes um do outro. Os testes estatísticos realizam isso empregando uma variedade de medidas estatísticas, como média, desvio padrão e coeficiente de variação. O teste estatístico irá então comparar as medidas estatísticas calculadas com um conjunto de critérios predeterminados. O teste estatístico concluirá que há uma diferença significativa entre os dois conjuntos de dados se os dados atenderem aos critérios.

Dependendo do tipo de dados que está sendo analisado, vários testes estatísticos podem ser usados. Testes t, testes qui-quadrado e testes ANOVA são três dos testes estatísticos mais comuns.

Tipos de testes estatísticos

Os testes estatísticos são de vários tipos:

#1. Testes Estatísticos Paramétricos

Se os dados forem normalmente distribuídos, testes paramétricos são usados.

Um teste estatístico paramétrico faz suposições sobre os parâmetros populacionais e distribuições de dados. Esses testes incluem testes t, testes z e testes ANOVA, que assumem que os dados são normalmente distribuídos.

Teste Z

Quando as variâncias são conhecidas e o tamanho da amostra é grande, um teste z é usado para determinar se duas médias populacionais são diferentes. A média da população é comparada usando o teste z. Os parâmetros utilizados são a média populacional e o desvio padrão. O teste Z é usado para confirmar que a amostra retirada é da mesma população.

Ho: A média da amostra é igual à média da população (hipótese nula)

z = (x — ) / ( / n), onde x=média da amostra, u=média da população e /n=desvio padrão da população.

Aceite a hipótese nula se o valor z for menor que o valor crítico; caso contrário, rejeite a hipótese nula.

Teste t

O teste t compara as médias de duas amostras. Quando os parâmetros populacionais (média e desvio padrão) são desconhecidos, um teste t é usado.

Testes T pareados são usados ​​para comparar as diferenças entre duas variáveis ​​da mesma população (escores pré e pós-teste). Por exemplo, em um programa de treinamento, a pontuação de desempenho do trainee antes e depois da conclusão do programa.

O teste t independente, também conhecido como teste t de duas amostras ou teste t de Student, é um teste estatístico usado para determinar se há uma diferença estatisticamente significativa nas médias de dois grupos não relacionados.

Por exemplo, considere comparar meninos e meninas em uma população.

A média de um único grupo é comparada a uma determinada média em um teste t de uma amostra. Por exemplo, se for fornecida a média de vendas, pode-se examinar o aumento e a diminuição nas vendas.

t = (x1 — x2) / (/ n1 + / n2), onde x1 e x2 representam as médias das amostras 1 e 2, respectivamente.

Teste ANOVA

A análise de variância (ANOVA) é uma técnica estatística usada para determinar se as médias de dois ou mais grupos diferem significativamente umas das outras. ANOVA compara as médias de diferentes amostras para determinar o impacto de um ou mais fatores. Se usarmos um teste t em vez de um teste ANOVA, os resultados serão imprecisos porque há mais de duas amostras.

Na ANOVA, a hipótese testada é Ho: Todos os pares de amostras são iguais, ou seja, todas as médias amostrais são iguais.

Pelo menos um par de amostras difere significativamente.

Calculamos o valor F no teste anova e comparamos com o valor crítico

F= ((SSE1 — SSE2)/m)/ SSE2/nk, onde SSE = soma residual dos quadrados.

m = o número de restrições

k denota o número de variáveis ​​independentes.

#2. Testes estatísticos não paramétricos

Testes estatísticos não paramétricos são usados ​​quando os dados não são normalmente distribuídos. O teste qui-quadrado é um exemplo de teste não paramétrico.

Teste qui-quadrado (2 testes)

O teste qui-quadrado compara duas variáveis ​​categóricas. Calcular o valor da estatística Qui-quadrado e compará-lo com um valor crítico da distribuição Qui-quadrado permite determinar se as frequências observadas e esperadas são significativamente diferentes.

Ho: As variáveis ​​x e y são independentes é a hipótese que está sendo testada para qui-quadrado.

As variáveis ​​x e y não são independentes uma da outra.

Fórmula do qui-quadrado (o=observado, e=esperado).

Escolhendo qual teste estatístico usar

Aqui estão os parâmetros que ajudarão você a determinar qual teste estatístico usar

#1. Problema de pesquisa

A escolha de um teste estatístico é determinada pela questão de pesquisa a ser respondida. Além disso, as questões de pesquisa o ajudarão a desenvolver a estrutura de dados e o projeto de pesquisa.

#2. Desenvolvimento de uma hipótese nula

Você pode criar uma hipótese nula depois de definir a questão de pesquisa. Uma hipótese nula implica que não há significância estatística nas observações esperadas.

#3. Importância do Protocolo de Estudo

Um nível de significância é especificado antes de iniciar o protocolo do estudo. O nível de significância determina a significância estatística, que define se a hipótese nula é aceita ou rejeitada.

#4. A escolha de uma cauda ou duas caudas

Você deve decidir se seu estudo será unilateral ou bilateral. Você deve usar testes unilaterais se tiver evidências claras de que as estatísticas apontam em uma direção. No entanto, se não houver uma direção clara da diferença esperada, é necessário um teste bicaudal.

#5. O número de variáveis ​​que serão examinadas

Os testes e procedimentos estatísticos são classificados de acordo com o número de variáveis ​​que pretendem analisar. Assim, ao selecionar um teste, você deve considerar quantas variáveis ​​deseja analisar.

#6. Tipo de dados

É fundamental especificar se seus dados são contínuos, categóricos ou binários. No caso de dados contínuos, você também deve determinar se os dados são normalmente distribuídos ou assimétricos para determinar qual teste estatístico usar.

#7. Desenhos de estudo, pareados e não pareados

Quando as duas amostras são dependentes uma da outra, um projeto pareado inclui estudos de comparação nos quais as duas médias populacionais são comparadas. Os resultados das duas amostras são agrupados e comparados em um desenho de estudo não pareado ou independente.

Você está no caminho certo para encontrar o teste estatístico certo para sua pergunta de pesquisa, agora que aprendeu as etapas para selecionar um teste estatístico. Como cada situação é diferente, é fundamental entender todas as suas opções e tomar uma decisão informada.

Se você não tiver certeza sobre qual teste usar, sempre consulte seu investigador principal, estatístico ou software.

O que são testes de significância estatística?

Os testes de significância estatística são uma determinação feita por um analista de que os resultados dos dados não podem ser explicados apenas pelo acaso. O analista faz essa determinação usando testes de hipóteses estatísticas. Este teste retorna um valor-p, que é a probabilidade de ver resultados tão extremos quanto os dos dados, supondo que os resultados sejam inteiramente devidos ao acaso. Um valor p de 5% ou menos é comumente considerado estatisticamente significativo.

Compreendendo os testes de significância estatística

A significância estatística é uma determinação da hipótese nula, o que implica que os resultados se devem exclusivamente ao acaso. Quando o valor-p é pequeno o suficiente, um conjunto de dados fornece significância estatística.

Quando o valor p é grande, os resultados dos dados são explicáveis ​​apenas por acaso, e os dados são considerados consistentes com (mas não provando) a hipótese nula.

Além disso, quando o valor-p é pequeno o suficiente (normalmente 5% ou menos), os resultados não podem ser explicados apenas pelo acaso e os dados são considerados inconsistentes com a hipótese nula. A hipótese nula do acaso sozinho como explicação para os dados é rejeitada neste caso em favor de uma explicação mais sistemática.

A significância estatística é freqüentemente usada em novos testes de medicamentos farmacêuticos, testes de vacinas e pesquisas de patologia para testar a eficácia e informar os investidores sobre o sucesso da empresa no lançamento de novos produtos.

Exemplos de testes de significância estatística

Suponha que Alex, um analista financeiro, esteja curioso para saber se alguns investidores estavam cientes da falência iminente de uma empresa. Alex decide comparar a média dos retornos diários do mercado antes e depois do fracasso da empresa para ver se há uma diferença estatisticamente significativa entre as duas médias.

O valor de p para o estudo foi de 28% (>5%), indicando que uma diferença dessa magnitude (-0.0033 a +0.0007) não é incomum sob a explicação do acaso. Como resultado, os dados não forneceram evidências convincentes de conhecimento prévio da falha. Se o valor-p fosse 0.01% (muito menos que 5%), a diferença observada seria extremamente incomum sob a explicação do acaso. Nesse caso, Alex pode optar por rejeitar a hipótese nula e verificar se alguns traders tinham conhecimento prévio.

A significância estatística também é usada para avaliar novos produtos médicos, como medicamentos, dispositivos médicos e vacinas. Relatórios estatisticamente significativos disponíveis publicamente também informam os investidores sobre o sucesso da empresa no lançamento de novos produtos.

Suponha, por exemplo, que uma empresa farmacêutica especializada em medicamentos para diabetes relatou uma redução estatisticamente significativa no diabetes tipo 1 após testar sua nova insulina. O estudo incluiu 26 semanas de terapia randomizada entre pacientes com diabetes, com um valor p de 4%. Isso diz aos investidores e agências reguladoras que os dados mostram uma diminuição estatisticamente significativa no diabetes tipo 1.

Que fatores influenciam a significância estatística?

Para determinar se os dados são estatisticamente significativos, o teste de hipótese estatística é usado. Em outras palavras, se o fenômeno pode ou não ser explicado apenas pelo acaso. A significância estatística é uma determinação da hipótese nula, que afirma que os resultados são inteiramente devidos ao acaso. A hipótese nula deve ser rejeitada para que os dados sejam considerados estatisticamente significativos.

O que é exatamente o valor P?

Um valor-p é uma medida da probabilidade de que uma diferença observada poderia ter acontecido por acaso. Quando o valor-p é pequeno o suficiente (por exemplo, 5% ou menos), os resultados não podem ser explicados apenas pelo acaso e a hipótese nula pode ser rejeitada. Quando o valor-p é grande, os resultados dos dados são explicáveis ​​apenas por acaso, e os dados são considerados consistentes com (e assim provando) a hipótese nula.

Como a significância estatística é usada?

A significância estatística é freqüentemente usada para avaliar a eficácia de novos produtos médicos, como medicamentos, dispositivos e vacinas. Relatórios estatisticamente significativos disponíveis publicamente também informam os investidores sobre o sucesso da empresa no lançamento de novos produtos. Os preços das ações das empresas farmacêuticas são frequentemente influenciados significativamente por anúncios sobre a significância estatística de seus novos produtos.

Quais são as três variedades principais de testes estatísticos?

Testes de regressão, testes de comparação e testes de correlação são as três principais variedades de testes estatísticos.

Quais são os testes estatísticos no SPSS?

Testes t, qui-quadrado, correlação, regressão e análise de variância estão entre os testes estatísticos disponíveis no SPSS.

Quais são os dois métodos principais em estatística?

Em estatística, existem dois métodos principais: estatística descritiva, que resume os dados usando índices como média e mediana, e estatística inferencial, que tira conclusões dos dados usando testes estatísticos como o teste t de Student.

ANOVA é um teste estatístico?

ANOVA, que significa Análise de Variância, é um teste estatístico usado para comparar as médias de vários grupos.

Conclusão

Testes estatísticos são usados ​​para determinar se dois conjuntos de dados são significativamente diferentes um do outro. Os testes estatísticos são classificados em dois tipos: paramétricos e não paramétricos. Os testes paramétricos fazem suposições sobre os dados, enquanto os testes não paramétricos não fazem suposições sobre os dados. Ambos os tipos de testes são usados ​​para tirar conclusões sobre uma população a partir de uma amostra. O tipo de teste a ser usado é determinado pelo tipo de dados disponíveis.

  1. ANÁLISE ESTATÍSTICA: Tipos, Técnicas e Propósito
  2. Planejamento de Demanda: Visão Geral, Comparações, Salários e Cargos
  3. MÉTODOS ESTATÍSTICOS: O que você deve saber e orientar
  4. Qual é o melhor tipo de teste de drogas para usar nas triagens de funcionários?
  5. Salário Quant: um detalhamento completo e como se tornar um Quant

Referências

Deixe um comentário

O seu endereço de e-mail não será publicado. Os campos obrigatórios são marcados com *

Você pode gostar