Nilalaman

• Mga hakbang
• Payo
• Babala

Ang pagsubok sa hipotesis ay ginabayan ng pagsusuri ng istatistika. Ang makabuluhang kumpiyansa sa istatistika ay kinakalkula gamit ang isang p-halaga - na nagpapahiwatig ng posibilidad ng isang naobserbahang resulta kapag ang isang tiyak na panukala (ang null na teorya) ay totoo. Kung ang p-halaga ay mas mababa kaysa sa antas ng kahalagahan (karaniwang 0.05), maaaring maghinuha ang eksperimento na mayroong sapat na katibayan upang patulan ang null na teorya at aminin ang kabaligtaran na teorya. Gamit ang isang simpleng t-test, maaari mong kalkulahin ang p-halaga at matukoy ang kahalagahan sa pagitan ng dalawang magkakaibang pangkat ng data.

Mga hakbang

Bahagi 1 ng 3: I-set up ang iyong mga eksperimento

1. 

   Tukuyin ang iyong teorya. Ang unang hakbang sa pagsusuri ng kahalagahan ng istatistika ay ang pagtukoy ng mga katanungan upang sagutin at ideklara ang iyong teorya. Ang hipotesis ay isang pahayag ng empirical data at mga posibleng pagkakaiba sa populasyon. Ang bawat eksperimento ay may isang null na teorya at isang kabaligtaran na teorya. Sa pangkalahatan, ihahambing mo ang dalawang pangkat upang makita kung pareho o magkakaiba ang mga ito.
   • Sa pangkalahatan, ang teorya ay hindi (H₀) kumpirmahing walang pagkakaiba sa pagitan ng dalawang pangkat ng data. Halimbawa: Ang mga mag-aaral na nagbasa ng materyal bago ang klase ay hindi nakakakuha ng mas mahusay na panghuling marka.
   • Ang kabaligtaran na teorya (H_a) ay salungat sa null na teorya at isang pahayag na sinusubukan mong suportahan sa iyong empirical data. Halimbawa: Ang mga mag-aaral na nagbasa ng materyal bago ang klase ay talagang nakakakuha ng mas mahusay na panghuling marka.

2. 

   
   
   Piliin ang antas ng kahalagahan upang matukoy ang antas ng pagkakaiba na maaaring makita bilang makabuluhan sa data. Ang antas ng kabuluhan (kilala rin bilang alpha) ay ang threshold na pinili mo upang matukoy ang kahulugan. Kung ang halaga ng p ay mas mababa sa o katumbas ng isang naibigay na antas ng kabuluhan, ang data ay itinuturing na makabuluhan sa istatistika.
   • Bilang isang pangkalahatang tuntunin, ang antas ng kahalagahan (o alpha) ay karaniwang napili sa antas na 0.05 - nangangahulugang ang posibilidad ng pagmamasid sa pagkakaiba na nakikita sa data ay random na 5% lamang.
   • Mas mataas ang antas ng kumpiyansa (at samakatuwid, mas mababa ang p-halaga), mas may katuturan ang mga resulta.
   • Kung kinakailangan ng higit na kumpiyansa, babaan ang p-halaga sa 0.01. Ang isang mababang p-halaga ay madalas na ginagamit sa pagmamanupaktura upang makita ang mga depekto ng produkto. Ang isang mataas na antas ng pagiging maaasahan ay kritikal na tanggapin na ang bawat bahagi ay gagana tulad ng nararapat.
   • Para sa karamihan ng mga eksperimento na nakabatay sa teorya, ang isang antas ng kahalagahan na 0.05 ay katanggap-tanggap.

3. 

   
   
   Magpasya kung gagamit ng isang isang tailed o dalawang-tailed na pagsubok. Ang isa sa mga pagpapalagay na pagsubok sa t ay ang iyong data ay nasa isang normal na pamamahagi. Ang normal na pamamahagi ay bubuo ng isang curve ng bell na may nakararaming mga obserbasyon na nakasentro. Ang t-test ay isang pagsubok sa matematika na sumusuri kung ang iyong data ay nahuhulog sa labas ng normal na pamamahagi, sa itaas o sa ibaba, sa "tuktok" na bahagi ng curve.
   • Kung hindi ka sigurado kung ang data ay nasa itaas o mas mababa sa control group, gumamit ng isang dalawang-tailed na pagsubok. Pinapayagan kang suriin ang kahalagahan sa parehong direksyon.
   • Kung alam mo kung ano ang inaasahang direksyon ng iyong data, gumamit ng isang isang buntot na pagsubok. Sa halimbawa sa itaas, inaasahan mong magpapabuti ang mga marka ng mag-aaral. Samakatuwid, gumagamit ka ng isang-tailed na pagsubok.

4. 

   
   
   Tukuyin ang laki ng sample na may pagsusuri ng puwersa. Ang lakas ng isang pagsubok ay ang kakayahang obserbahan ang inaasahang resulta na may ibinigay na laki ng sample. Ang karaniwang threshold para sa puwersa (o β) ay 80%. Ang pagtatasa ng puwersa ay maaaring maging kumplikado nang walang ilang paunang data dahil kailangan mo ng ilang impormasyon tungkol sa inaasahang ibig sabihin sa pagitan ng mga pangkat at ng kanilang mga karaniwang paglihis. Gumamit ng online force analysis upang matukoy ang pinakamainam na laki ng sample para sa iyong data.
   • Ang mga mananaliksik ay madalas na nagsasagawa ng isang maliit na pag-aaral sa premise upang ipaalam ang pagtatasa ng puwersa at magpasya sa laki ng sample na kinakailangan para sa isang malaki at komprehensibong pag-aaral.
   • Kung walang paraan upang makagawa ng kumplikadong pananaliksik sa premise, tantyahin ang posibleng ibig sabihin batay sa pagbabasa ng mga artikulo at pagsasaliksik na maaaring nagawa ng ibang mga indibidwal. Maaari kang magbigay sa iyo ng isang mahusay na pagsisimula sa pagtukoy ng mga laki ng sample.
   anunsyo

Bahagi 2 ng 3: Kinakalkula ang karaniwang paglihis

1. 

   Tukuyin ang formula para sa karaniwang paglihis. Sinusukat ng karaniwang paglihis ang pagpapakalat ng data. Nagbibigay ito sa iyo ng impormasyon tungkol sa pagkakakilanlan ng bawat data point sa sample. Kapag nagsisimula pa lang, ang mga equation ay maaaring magmukhang kumplikado. Gayunpaman, ang mga hakbang sa ibaba ay makakatulong sa iyo upang madaling maunawaan ang proseso ng pagkalkula. Ang pormula ay s = √∑ ((x_ako - µ) / (N - 1)).
   • s ay ang karaniwang paglihis.
   • Ipinapahiwatig ng ∑ na kailangan mong idagdag ang lahat ng nakolektang mga obserbasyon.
   • x_ako ang bawat isa ay kumakatawan sa iyong halaga ng data.
   • Ang µ ay ang ibig sabihin ng data para sa bawat pangkat.
   • Ang N ang kabuuang bilang ng mga obserbasyon.

2. 

   Karaniwan ang bilang ng mga obserbasyon sa bawat pangkat. Upang makalkula ang karaniwang paglihis, kailangan mo munang kalkulahin ang ibig sabihin ng mga obserbasyon para sa bawat indibidwal na pangkat. Ang halagang ito ay sinisimbolo ng titik na Griyego na mu o µ. Upang gawin iyon, idagdag lamang ang mga obserbasyon at hatiin sa kabuuang bilang ng mga obserbasyon.
   • Halimbawa, upang mahanap ang average na marka ng pangkat na nagbabasa ng dokumento bago ang klase, tingnan natin ang ilang data. Para sa pagiging simple, gagamitin namin ang isang hanay ng data ng 5 puntos: 90, 91, 85, 83 at 94 (sa isang sukatang 100-point).
   • Idagdag ang lahat ng mga obserbasyon: 90 + 91 + 85 + 83 + 94 = 443.
   • Hatiin ang kabuuan sa itaas ng bilang ng mga obserbasyon N (N = 5): 443/5 = 88.6.
   • Ang average na iskor para sa pangkat na ito ay 88.6.

3. 

   Ibawas ang average mula sa bawat naobserbahang halaga. Ang susunod na hakbang ay nagsasangkot ng bahagi (x_ako - µ) ng equation. Ibawas ang average mula sa bawat naobserbahang halaga. Sa halimbawa sa itaas, mayroon kaming limang mga pagbabawas.
   • (90 - 88.6), (91- 88.6), (85 - 88.6), (83 - 88.6) at (94 - 88.6).
   • Ang kinakalkula na halaga ay 1.4; 2.4; -3.6; -5.6 at 5.4.

4. 

   I-square ang mga pagkakaiba sa itaas at idagdag ang mga ito. Ang bawat bagong halagang kinakalkula ay parisukat na ngayon. Dito, aalisin din ang negatibong pag-sign. Kung ang isang negatibong pag-sign ay lilitaw pagkatapos ng hakbang na ito o sa pagtatapos ng pagkalkula, maaaring nakalimutan mong gawin ang hakbang sa itaas.
   • Sa aming halimbawa, gagana kami ngayon sa 1.96; 5.76; 12.96; 31.36 at 29.16.
   • Idagdag nang magkasama ang mga parisukat na ito: 1.96 + 5.76 + 12.96 + 31.36 + 29.16 = 81.2.

5. 

   Hatiin sa kabuuang bilang ng mga obserbasyon na minus 1. Ang paghati sa pamamagitan ng N - 1 ay tumutulong upang mabayaran ang isang pagkalkula na hindi ginanap sa populasyon bilang isang buo, ngunit batay sa isang sample ng lahat ng mga mag-aaral.
   • Ibawas: N - 1 = 5 - 1 = 4
   • Hatiin: 81.2 / 4 = 20.3

6. 

   Kunin ang square root. Kapag nahati sa bilang ng mga obserbasyon na minus 1, kunin ang parisukat na ugat ng halagang nakuha. Ito ang huling hakbang sa pagkalkula ng karaniwang paglihis. Ang ilang mga programang pang-istatistika ay tutulong sa iyo na maisagawa ang pagkalkula na ito pagkatapos ma-import ang orihinal na data.
   • Sa halimbawang nasa itaas, ang karaniwang paglihis ng marka ng pagtatapos ng semestre ng mga mag-aaral na nagbasa ng dokumento bago ang klase ay: s = √20,3 = 4.51.
   anunsyo

Bahagi 3 ng 3: Pagtukoy ng kahalagahan ng istatistika

1. 

   Kalkulahin ang pagkakaiba-iba sa pagitan ng iyong dalawang pangkat ng mga obserbasyon. Hanggang sa puntong ito, ang halimbawa ay nakikipag-usap lamang sa isang pangkat ng mga obserbasyon. Upang ihambing ang dalawang pangkat, malinaw na kailangan mo ng data mula sa pareho. Kalkulahin ang karaniwang paglihis ng pangalawang pangkat ng mga obserbasyon at gamitin ito upang makalkula ang pagkakaiba-iba sa pagitan ng dalawang pangkat na pang-eksperimento. Ang pormula para sa pagkalkula ng pagkakaiba-iba ay: s_d = √ ((s₁/ N₁) + (s₂/ N₂)).
   • S_d ay ang pagkakaiba-iba sa pagitan ng mga pangkat.
   • S₁ ay ang karaniwang paglihis ng mga pangkat 1 at N₁ ang laki ng pangkat 1.
   • S₂ ay ang karaniwang paglihis ng mga pangkat 2 at N₂ ang laki ng pangkat 2.
   • Sa aming halimbawa, sabihin natin na ang data mula sa pangkat 2 (mga mag-aaral na hindi nagbasa ng teksto bago ang klase) ay may sukat 5 at karaniwang paglihis na 5.81. Ang pagkakaiba-iba ay:
     • S_d = √ ((s₁) / N₁) + ((s₂) / N₂))
     • S_d = √(((4.51)/5) + ((5.81)/5)) = √((20.34/5) + (33.76/5)) = √(4.07 + 6.75) = √10.82 = 3.29.

2. 

   Kalkulahin ang t-score ng data. Pinapayagan ka ng mga T-istatistika na i-convert ang data sa isang form na maihahambing sa iba pang data. Pinapayagan ka rin ng t-halaga na magsagawa ng isang t-test, isang pagsubok na nagbibigay-daan sa iyo upang makalkula ang posibilidad ng isang makabuluhang pagkakaiba sa istatistika sa pagitan ng dalawang pangkat. Ang formula para sa pagkalkula ng t-statistic ay: t = (µ₁ – µ₂) / S_d.
   • µ₁ ay ang average ng unang pangkat.
   • µ₂ ay ang average ng pangalawang pangkat.
   • S_d ay ang pagkakaiba-iba sa pagitan ng mga obserbasyon.
   • Gumamit ng mas malaking mean bilang µ₁ upang hindi makakuha ng isang negatibong t-istatistika.
   • Para sa aming halimbawa, ipagpalagay na ang napansin na ibig sabihin para sa pangkat 2 (na hindi nagbasa ng nakaraang artikulo) ay 80. Ang t-iskor ay: t = (µ₁ – µ₂) / S_d = (88,6 – 80)/3,29 = 2,61.

3. 

   Tukuyin ang antas ng kalayaan ng sample. Kapag ginagamit ang t-istatistika, ang mga degree ng kalayaan ay natutukoy batay sa laki ng sample. Idagdag ang bilang ng mga obserbasyon para sa bawat pangkat at pagkatapos ay ibawas ang dalawa. Sa halimbawa sa itaas, ang antas ng kalayaan (d.f.) ay 8 dahil mayroong 5 mga sample sa unang pangkat at 5 mga sample sa pangalawang pangkat ((5 + 5) - 2 = 8).

4. 

   Gumamit ng talahanayan t upang suriin ang kahalagahan. Ang mga talahanayan ng mga t-halaga at antas ng kalayaan ay matatagpuan sa isang pamantayang aklat ng istatistika o online. Hanapin ang hilera na naglalaman ng mga degree ng kalayaan ng data at ang p-halaga na tumutugma sa t-istatistika na mayroon ka.
   • Sa antas ng kalayaan 8 at t = 2.61, ang p-halaga para sa isang isang buntot na pagsubok ay nakasalalay sa pagitan ng 0.01 at 0.025. Dahil ang napiling antas ng kabuluhan ay mas mababa sa o katumbas ng 0.05, ang aming data ay makabuluhan sa istatistika. Sa data na ito, tinatanggihan namin ang null na teorya at tinatanggap ang kabaligtaran na teorya: ang mga mag-aaral na nagbasa ng materyal bago ang klase ay may mas mataas na pangwakas na mga marka.

5. 

   Pag-isipang magsagawa ng karagdagang pagsasaliksik. Maraming mga mananaliksik ang nagsasagawa ng mga premise na pag-aaral na may maraming mga sukatan upang maunawaan kung paano mag-disenyo ng isang mas malaking pag-aaral. Ang paggawa ng iba pang pagsasaliksik na may higit pang mga sukatan ay magpapataas ng iyong kumpiyansa sa iyong mga konklusyon. anunsyo

Payo

• Ang istatistika ay isang malaki at kumplikadong larangan. Kumuha ng isang kurso sa pagsubok sa pang-istatistika ng high school o unibersidad (o mas mataas) upang maunawaan ang kabuluhan sa istatistika.

Babala

• Ang pagtatasa na ito ay nakatuon sa t-test upang suriin ang pagkakaiba sa pagitan ng dalawang normal na populasyon ng pamamahagi. Nakasalalay sa pagiging kumplikado ng data, maaaring kailanganin mo ng isa pang pagsusuri sa istatistika.