Статистические тесты являются важным компонентом анализа данных. Они помогают нам осмыслить данные и сделать выводы о населении. Они также используются для исследования взаимосвязей переменных и проверки гипотез. Как правило, они представляют собой метод анализа данных, чтобы определить, есть ли существенная разница между двумя группами. С помощью примеров мы обсудим различные типы статистических тестов и их значение в этом сообщении блога.
Что такое статистические тесты?
Статистические тесты используются для определения того, существенно ли отличаются два набора данных друг от друга. Статистические тесты достигают этого, используя различные статистические меры, такие как среднее значение, стандартное отклонение и коэффициент вариации. Затем статистический тест сравнивает рассчитанные статистические показатели с набором заранее определенных критериев. Статистический тест сделает вывод, что существует значительная разница между двумя наборами данных, если данные соответствуют критериям.
В зависимости от типа анализируемых данных могут использоваться различные статистические тесты. Т-тесты, тесты хи-квадрат и тесты ANOVA являются тремя наиболее распространенными статистическими тестами.
Типы статистических тестов
Статистические тесты бывают разных типов:
№1. Параметрические статистические тесты
Если данные нормально распределены, используются параметрические тесты.
Параметрический статистический тест делает предположения о параметрах совокупности и распределениях данных. Эти тесты включают t-тесты, z-тесты и тесты ANOVA, которые предполагают, что данные нормально распределены.
Z-тест
Когда дисперсии известны и размер выборки велик, используется z-критерий, чтобы определить, различаются ли два средних значения совокупности. Среднее значение населения сравнивается с использованием z-критерия. В качестве параметров используются среднее значение генеральной совокупности и стандартное отклонение. Z-тест используется для подтверждения того, что выборка взята из одной и той же совокупности.
Ho: среднее значение выборки равно среднему значению генеральной совокупности (нулевая гипотеза).
z = (x - ) / ( / n), где x = среднее значение выборки, u = среднее значение генеральной совокупности и / n = стандартное отклонение генеральной совокупности.
Примите нулевую гипотезу, если значение z меньше критического значения; в противном случае отвергнуть нулевую гипотезу.
Т-тест
В t-тесте сравниваются средние значения двух выборок. Когда параметры популяции (среднее значение и стандартное отклонение) неизвестны, используется t-критерий.
Парные Т-тесты используются для сравнения различий между двумя переменными из одной и той же популяции (оценки до и после теста). Например, в программе обучения оценка успеваемости стажера до и после завершения программы.
Независимый t-критерий, также известный как двухвыборочный t-критерий или t-критерий Стьюдента, представляет собой статистический тест, используемый для определения наличия статистически значимой разницы в средних значениях двух несвязанных групп.
Например, рассмотрим сравнение мальчиков и девочек в популяции.
Среднее значение одной группы сравнивается с заданным средним в одновыборочном t-тесте. Например, если даны средние продажи, можно изучить увеличение и уменьшение продаж.
t = (x1 — x2) / (/ n1 + / n2), где x1 и x2 представляют собой средние значения выборок 1 и 2 соответственно.
Тест дисперсионного анализа
Дисперсионный анализ (ANOVA) — это статистический метод, используемый для определения того, значительно ли отличаются средние значения двух или более групп друг от друга. ANOVA сравнивает средние значения разных выборок, чтобы определить влияние одного или нескольких факторов. Если мы используем t-критерий вместо теста ANOVA, результаты будут неточными, поскольку имеется более двух выборок.
В ANOVA проверяется гипотеза Ho: все пары выборок одинаковы, т. е. все выборочные средние равны.
По крайней мере, одна пара образцов существенно различается.
Мы рассчитываем значение F в тесте анова и сравниваем его с критическим значением.
F= ((SSE1 — SSE2)/m)/ SSE2/nk, где SSE = остаточная сумма квадратов.
m = количество ограничений
k обозначает количество независимых переменных.
№ 2. Непараметрические статистические тесты
Непараметрические статистические тесты используются, когда данные не распределены нормально. Тест хи-квадрат является примером непараметрического теста.
Тест хи-квадрат (тест 2)
Тест хи-квадрат сравнивает две категориальные переменные. Вычисление статистического значения хи-квадрат и сравнение его с критическим значением из распределения хи-квадрат позволяет определить, существенно ли отличаются наблюдаемая и ожидаемая частоты.
Хо: переменные x и y независимы, это гипотеза, проверяемая на хи-квадрат.
Переменные x и y не являются независимыми друг от друга.
Формула хи-квадрат (o=наблюдается, e=ожидается).
Выбор статистического теста для использования
Вот параметры, которые помогут вам определить, какой статистический тест использовать.
№1. Исследовательская проблема
Выбор статистического теста определяется вопросом исследования, на который необходимо ответить. Кроме того, исследовательские вопросы помогут вам в разработке структуры данных и дизайна исследования.
№ 2. Развитие нулевой гипотезы
Вы можете создать нулевую гипотезу после того, как определили вопрос исследования. Нулевая гипотеза подразумевает, что ожидаемые наблюдения не имеют статистической значимости.
№3. Важность протокола исследования
Уровень значимости указывается перед началом протокола исследования. Уровень значимости определяет статистическую значимость, которая определяет, принимается или отвергается нулевая гипотеза.
№ 4. Выбор однохвостого против двухвостого
Вы должны решить, будет ли ваше исследование односторонним или двусторонним. Вы должны использовать односторонние тесты, если у вас есть четкие доказательства того, что статистика указывает в одном направлении. Однако, если нет четкого направления ожидаемой разницы, требуется двусторонний тест.
№ 5. Количество переменных, которые будут проверяться
Статистические тесты и процедуры классифицируются на основе количества переменных, которые они предназначены для анализа. В результате при выборе теста вы должны учитывать, сколько переменных вы хотите проанализировать.
№ 6. Тип данных
Очень важно указать, являются ли ваши данные непрерывными, категориальными или бинарными. В случае непрерывных данных вы также должны определить, являются ли данные нормально распределенными или искаженными, чтобы определить, какой статистический тест использовать.
№ 7. Дизайн исследования, парный и непарный
Когда две выборки зависят друг от друга, парный план включает сравнительные исследования, в которых сравниваются два средних значения генеральной совокупности. Результаты двух выборок группируются и сравниваются в непарном или независимом дизайне исследования.
Теперь вы находитесь на пути к поиску подходящего статистического теста для вашего исследовательского вопроса, когда вы узнали, как выбрать статистический тест. Поскольку каждая ситуация уникальна, очень важно понимать все ваши варианты и принимать обоснованное решение.
Если вы не уверены, какой тест использовать, всегда консультируйтесь со своим главным исследователем, статистиком или специалистом по программному обеспечению.
Что такое тесты статистической значимости?
Тесты статистической значимости - это определение аналитиком того, что результаты данных не могут быть объяснены исключительно случайностью. Аналитик делает это определение, используя статистическую проверку гипотез. Этот тест возвращает p-значение, которое представляет собой вероятность того, что результаты будут такими же экстремальными, как и в данных, если предположить, что результаты полностью случайны. Значение p 5% или менее обычно считается статистически значимым.
Понимание тестов статистической значимости
Статистическая значимость - это определение нулевой гипотезы, которая подразумевает, что результаты получены исключительно случайно. Когда p-значение достаточно мало, набор данных обеспечивает статистическую значимость.
Когда p-значение велико, результаты данных можно объяснить исключительно случайностью, и данные считаются согласующимися с (но не подтверждающими) нулевой гипотезой.
Кроме того, когда значение p достаточно мало (обычно 5% или меньше), результаты нельзя объяснить исключительно случайностью, и данные считаются несовместимыми с нулевой гипотезой. Нулевая гипотеза случайности как объяснения данных в этом случае отвергается в пользу более систематического объяснения.
Статистическая значимость часто используется при испытаниях новых фармацевтических препаратов, тестировании вакцин и исследованиях патологии для проверки эффективности и информирования инвесторов об успехах компании в выпуске новых продуктов.
Примеры тестов статистической значимости
Предположим, Алекс, финансовый аналитик, интересуется, знали ли некоторые инвесторы о надвигающемся крахе компании. Алекс решает сравнить среднюю дневную рыночную доходность до и после провала компании, чтобы увидеть, есть ли статистически значимая разница между двумя средними значениями.
Значение p для исследования составило 28% (> 5%), что указывает на то, что разница такой величины (от -0.0033 до +0.0007) не является чем-то необычным при чисто случайном объяснении. В результате данные не предоставили убедительных доказательств предварительного знания об отказе. Если бы p-значение составляло 0.01% (намного меньше 5%), наблюдаемая разница была бы чрезвычайно необычной при чисто случайном объяснении. В этом случае Алекс может отклонить нулевую гипотезу и выяснить, были ли у некоторых трейдеров предварительные знания.
Статистическая значимость также используется для оценки новых медицинских продуктов, таких как лекарства, медицинские устройства и вакцины. Общедоступные статистически значимые отчеты также информируют инвесторов об успехах компании в выпуске новых продуктов.
Предположим, например, что фармацевтическая компания, специализирующаяся на лекарствах от диабета, сообщила о статистически значимом снижении заболеваемости диабетом 1 типа после тестирования своего нового инсулина. Исследование включало 26 недель рандомизированной терапии среди пациентов с диабетом с p-значением 4%. Это сообщает инвесторам и регулирующим органам, что данные показывают статистически значимое снижение заболеваемости диабетом 1 типа.
Какие факторы влияют на статистическую значимость?
Чтобы определить, являются ли данные статистически значимыми, используется статистическая проверка гипотез. Другими словами, можно ли объяснить явление исключительно случайностью. Статистическая значимость — это определение нулевой гипотезы, утверждающей, что результаты полностью случайны. Нулевая гипотеза должна быть отвергнута, чтобы данные считались статистически значимыми.
Что такое P-значение?
Р-значение — это мера вероятности того, что наблюдаемое различие могло произойти случайно. Когда p-значение достаточно мало (например, 5% или меньше), результаты нельзя объяснить исключительно случайностью, и нулевая гипотеза может быть отвергнута. Когда p-значение велико, результаты данных можно объяснить исключительно случайностью, и данные считаются согласующимися с (и, таким образом, подтверждающими) нулевой гипотезой.
Как используется статистическая значимость?
Статистическая значимость часто используется для оценки эффективности новых медицинских продуктов, таких как лекарства, устройства и вакцины. Общедоступные статистически значимые отчеты также информируют инвесторов об успехах компании в выпуске новых продуктов. Цены на акции фармацевтических компаний часто сильно зависят от заявлений о статистической значимости их новых продуктов.
Каковы три основных разновидности статистических тестов?
Регрессионные тесты, сравнительные тесты и корреляционные тесты являются тремя основными разновидностями статистических тестов.
Что такое статистические тесты в SPSS?
Т-тесты, хи-квадрат, корреляция, регрессия и дисперсионный анализ входят в число статистических тестов, доступных в SPSS.
Каковы два основных метода в статистике?
В статистике есть два основных метода: описательная статистика, которая обобщает данные с использованием таких индексов, как среднее значение и медиана, и статистика вывода, которая делает выводы на основе данных с использованием статистических тестов, таких как t-критерий Стьюдента.
Является ли ANOVA статистическим тестом?
ANOVA, что означает анализ дисперсии, представляет собой статистический тест, используемый для сравнения средних значений нескольких групп.
Заключение
Статистические тесты используются для определения того, существенно ли отличаются два набора данных друг от друга. Статистические тесты делятся на два типа: параметрические и непараметрические. Параметрические тесты делают предположения о данных, тогда как непараметрические тесты не делают никаких предположений о данных. Оба типа тестов используются для получения выводов о генеральной совокупности по выборке. Тип используемого теста определяется типом доступных данных.
Статьи по теме
- СТАТИСТИЧЕСКИЙ АНАЛИЗ: виды, методы и цель
- Планирование спроса: обзор, сравнения, зарплаты и вакансии
- СТАТИСТИЧЕСКИЕ МЕТОДЫ: что нужно знать и руководствоваться
- Какой тип теста на наркотики лучше всего использовать для проверки сотрудников?
- Зарплата кванта: полный анализ и как стать квантом
Рекомендации
