Ο έλεγχος των στατιστικών τεχνικών μπορεί να μας βοηθήσει να κατανοήσουμε καλύτερα τον κόσμο γύρω μας και η εκμάθηση να χειριζόμαστε σωστά τα δεδομένα μπορεί να αποδειχθεί χρήσιμη σε μια ποικιλία σταδιοδρομιών. Οι δοκιμές T μπορούν να βοηθήσουν στον προσδιορισμό του κατά πόσον η διαφορά μεταξύ ενός αναμενόμενου συνόλου τιμών και ενός δεδομένου συνόλου τιμών είναι σημαντική. Ενώ αυτή η διαδικασία μπορεί να φαίνεται δύσκολη στην αρχή, μπορεί να είναι απλή στη χρήση με λίγη πρακτική. Αυτή η διαδικασία είναι ζωτικής σημασίας για την ερμηνεία στατιστικών και δεδομένων, καθώς μας λέει εάν τα δεδομένα είναι χρήσιμα ή όχι.
Δηλώστε την υπόθεση. Προσδιορίστε εάν τα δεδομένα απαιτούν δοκιμή μονής ή δύο όψεων. Για δοκιμές με ένα άκρο, η μηδενική υπόθεση θα έχει τη μορφή μ> x εάν θέλετε να ελέγξετε για δείγμα μέσου όρου που είναι πολύ μικρό, ή μ
Προσδιορίστε ένα επίπεδο σπουδαιότητας κατάλληλο για τη μελέτη σας. Αυτή θα είναι η τιμή στην οποία θα συγκρίνετε το τελικό αποτέλεσμα. Γενικά, οι τιμές σημασίας είναι σε α = .05 ή α = .01, ανάλογα με την προτίμησή σας και πόσο ακριβείς θέλετε να είναι τα αποτελέσματά σας.
Υπολογίστε τα δείγματα δεδομένων. Χρησιμοποιήστε τον τύπο (x - μ) / SE, όπου το τυπικό σφάλμα (SE) είναι η τυπική απόκλιση της τετραγωνικής ρίζας του πληθυσμού (SE = s / √n). Αφού προσδιορίσετε το t-στατιστικό, υπολογίστε τους βαθμούς ελευθερίας μέσω του τύπου n-1. Εισαγάγετε το t-στατιστικό, τους βαθμούς ελευθερίας και το επίπεδο σημασίας στη συνάρτηση t-test σε μια αριθμομηχανή γραφημάτων για να προσδιορίσετε την τιμή P. Εάν εργάζεστε με ένα δίπλευρο T-Test, διπλασιάστε την τιμή P.
Ερμηνεύστε τα αποτελέσματα. Συγκρίνετε την τιμή P με το επίπεδο σημασίας α που αναφέρθηκε προηγουμένως Εάν είναι μικρότερο από το α, απορρίψτε την μηδενική υπόθεση. Εάν το αποτέλεσμα είναι μεγαλύτερο από το α, μην απορρίψετε την μηδενική υπόθεση. Εάν απορρίψετε την μηδενική υπόθεση, αυτό σημαίνει ότι η εναλλακτική σας υπόθεση είναι σωστή και ότι τα δεδομένα είναι σημαντικά. Εάν αποτύχετε να απορρίψετε την μηδενική υπόθεση, αυτό σημαίνει ότι δεν υπάρχει σημαντική διαφορά μεταξύ του δείγματος δεδομένων και των δεδομένων δεδομένων.