Opiskelen tietojenkäsittelytietoja muutaman kuukauden ajan.
1) Oppin sen, kun joudumme vertailemaan useita näytteet (> 2), T-testi olisi työläs ja sen sijaan menemme ANOVA: lle ja teemme ”F-testin”.
2) Ymmärtämisen yläpuolella luodaan ”toisiaan poissulkeva vaatimus F-testin ja T-testin välillä”.
3) Olen myös oppinut, että T-testi (olkoon se: 1 näyte / pariliitos / 2 näyte) testaa periaatteessa keskiarvojen eroja, kun taas ”F-testi” testaa varianssien eroja.
4) Oletetaan, että kahdella näyteryhmällä on lähes samat keskiarvot, mutta hyvin erilaiset varianssit , molemmat testit antaisivat erilaisia vastauksia oikein?
T-testi sanoisi ”ne eivät ole erilaisia”. Mutta ”F-testi” sanoisi ”ne ovat erilaisia”.
Tai edes päinvastaisessa tapauksessa. (hyvin erilaiset keinot, mutta melkein samat varianssit) ..
5) Joten minkä perusteella (keskiarvo? tai varianssi?) aiomme lopulta päättää niiden todellisen eron?
6) Joten kysymys kuuluu: Kuinka ne liittyvät toisiinsa? Jos alkuperäinen tavoite oli saada selville kaksi tai useampia näytteitä, jotka ovat erilaisia tai ei, niin miten ”keinojen etsiminen” (ts. T-testin valitseminen) pienemmälle näyteryhmälle, muuttuu ”varianssien etsimiseksi”, kun näyteryhmiä ei ole ovat> 2? (Kun tosiasia on: varianssi ja keskiarvo ovat pohjimmiltaan näyteryhmän riippumattomia ominaisuuksia)
7) Eikö näitä molempia mittareita pitäisi tarkistaa, jotta löydettäisiin, ovatko nämä kaksi näytettä todella erilaiset vai eivät?
(Olen maininnut sarjanumerot mainitsemissani pisteissä. Huomaathan, jos jokin niistä on pohjimmiltaan väärä käsitys. Olisi kiitollinen, jos jokaiselle pisteelle annettaisiin vastauksia)
Kommentit
- Mitä tarkoitat tarkalleen ” vertaamalla näytteitä ”? Tarkoitatko vertailemasta sitä, onko heidän tulemansa väestön keskiarvo sama / erilainen? Vai haluatko tarkistaa, onko niiden jakelu sama / erilainen?
- En ole varma !! Koska juuri sen haluan tietää.! Eikö meidän pitäisi etsiä molempia päättääksesi ”, nämä kaksi näyteryhmää ovat erilaiset vai eivät ” kaikilta osin? En löytänyt mitään opetusohjelmaa, joka korostaisi tätä näkymää .. Suurin osa opetusohjelmista selittää kuten ” … Jos haluat vertailla enemmän kuin kahta ryhmää, mene F-testiin .. .. ”. Tuolloin näkökulma muuttuu ” -tarkastamalla keskiarvoa ” ” tarkastelemalla variansseja !! ” .. Siksi minulla ei ole selvää asiaa!
- Koska olen uusi opiskelija, en tiedä mistä varoa! .. eniten oppitunneista sanotaan .. ” T-testi TAI F-testi ” .. yksikään opetusohjelma ei sanonut ” tarkista sekä T että F! (Mielestäni: Eikö ’ pitäisi katsoa molemmista näkökulmista? (ts. keskiarvot ja varianssit)?
- Alla oleva linkki menee sinne: Olen jo viitannut siihen. Mutta ei tarkalleen se vastaa kysymykseeni): stats.stackexchange.com/questions/78150/…
- No, ” -testin ” tekeminen on vastauksen löytäminen kysymykseen. Ensinnäkin sinun on tiedettävä, mikä on todellinen kysymys!
Vastaa
Termit t-testi ja F-testi ovat epäselvät, koska mitä tahansa testiä, jossa testitilastolla on t-jakauma (nollahypoteesin alla), kutsutaan t-testiksi ja mitä tahansa testiä, jossa testitilastolla on F-jakauma, kutsutaan F-testiksi. Näitä on useampi kuin yksi.
Tämä on merkitystä kysymyksellesi, koska on olemassa F-testi, joka vertaa kahden näytteen variansseja, mutta tämä ei ole F -testi, jota käytetään tavallisessa ANOVA-analyysissä. Itse asiassa ANOVA F-testi vertaa ryhmän ja ryhmän sisäistä vaihtelua, ja ryhmän välinen vaihtelu mitataan tosiasiallisesti neliöimällä ja yhteenlaskemalla ryhmien keskiarvojen erot, joten tässä asetuksessa sekä t- että F-testit ovat vertailua. ryhmä tarkoittaa. Itse asiassa, jos sinulla on vain kaksi ryhmää / tekijätasoa, F-testitilasto on t-testitilaston neliö ja F-testi vastaa kaksipuolista t-testiä. Useamman kuin kahden ryhmän kohdalla t-testeissä on kysymys siitä, että t-testi voi verrata vain kahta ryhmää kerrallaan, mikä tarkoittaa, että kaikkien ryhmien vertaamiseen tarvitaan useita t-testejä, joihin liittyy useita testejä (ts. Jos testaa useita hypoteeseja 5%: n tasolla, todennäköisyys löytää ainakin yksi väärä merkitys olettaen, että kaikki nollahypoteesit ovat totta, voi olla huomattavasti yli 5%).
Voit todellakin tarkistaa molemmat, vaikka tähän liittyy jälleen useita testejä; siellä ei ole ilmaista lounasta. Monissa ANOVA-sovelluksissa on joko kohtuullista olettaa yhtä suuret varianssit tai vain keskimääräiset erot ovat kiinnostavia (esim. vain ihmettelevät, toimiiko yksi ryhmä ”paremmin” kuin toinen), joten erot variansseissa usein ei nimenomaisesti tutkita (pidättäydyn lausunnossa siitä, olisiko tämä ”hyvä” vai ”oikea”; tai vastaukseni olisi ”se riippuu” …).
Kommentit
- Kiitos selityksestä
Vastaa
Jos haluat vertaa enemmän kuin kahta ryhmää ja ovat kiinnostuneita vertailemaan niiden keskiarvoja, on tavallista tehdä ANOVA, kun sanot, mikä testaa hypoteesia, että kaikki ryhmän keskiarvot ovat samat. Useiden $ t $ -testit eivät ole aivan samanarvoisia, koska jokainen testi tetoi vain, jos näiden kahden ryhmän keskiarvot ovat samat. Pisteesi 1)
$ F $ -testi c Vertailuvariansseja käytetään, koska mitä verrataan ANOVA: ssa, on ryhmän keskiarvojen varianssi vs. (Sinun kohta 3)
Muihin kysymyksiisi on vaikea vastata, koska katso yllä olevat huomautukseni, mielestäni sinulla on väärinkäsityksiä siitä, mitä tapahtuu.
Vastaus
Harkitse tätä kaavaa
Ho: group1 and group2 has the same average (e.g. do they have the same average height) t = (mean-k)/(s/sqrt(n)), basic assumption. variance is known. Ho: Different level of fertilizer (NPK) has no significant effect on plants. F = n(mean-k)^2 / s^2, w/c is simply t^2 - käytännöllisyyden näkökulmasta tämä voi olla totta.
2.Jos sinulla on vertailuryhmä ja hoidettu ryhmä muodostavat saman populaation, he ovat samat. Mutta jos sinulla on poikia vs. tyttöjä, sijainti1 vs. sijainti2, he voivat olla erilaisia.
- Oikea.
- Mahdollisesti
- Tavoitteestasi riippuen. Jos haluat vain tietää, onko ryhmällä erilaisia ominaisuuksia (kuten keskiarvo), t-testi. Jos haluat tietää, onko tietyillä sovelletuilla tekijöillä (kuten erilaiset savukkeiden nikotiinipitoisuudet) merkittäviä vaikutuksia, käytä F-testiä.
-
Kaava liittyy, mutta sovellus eroaa tavoitteestasi .
-
Ei, koska sillä ei ole mitään järkeä, koska t- ja F-testeillä on erilainen tavoite tai ongelma, jonka he ratkaisevat.