I dette selvstudium lærer du, hvordan du udfører og fortolker den parrede prøver t-test ved hjælp af Excel. Du kan se den fulde video af denne tutorial nederst på denne blog .
Den parrede prøve t-test vil kontrollere, om der er forskel i observationsmidlerne. Så vi har at gøre med kvantitative data mellem en periode og en anden. Vi har også at gøre med tidsseriedata.
Dette bliver en hypotesetest med alle de fittings, der følger med. Hvis du vil lære mere om, hvordan du laver en hypotesetest i Excel, kan du tjekke min bog Advancing Into Analytics ud .
Vi vil ikke gå for meget ind i teorien, men vi vil bruge analyseværktøjspakken i Excel, hvor vi tester på 95 % signifikansniveau og bruger et peer-reviewed datasæt fra Plos One .
Grundlæggende er det, vi ønsker at finde ud af, om der er forskel på midlerne for gruppe 1 mellem tid 1 og tid 2. Vi vil forsøge at gengive et forskningsstudie.
Indholdsfortegnelse
Udførelse og fortolkning af parrede prøver T-test
Lad os gå videre og dykke ned i . Vi kan køre dette pr. prøvetest, og så omgrupperer vi og går derfra.
I disse data er der tale om individuelle patienter. De blev målt i en periode kaldet bind 1 og derefter givet endnu en måling i bind 2 .
Vi skal kende målingerne i begge perioder, ellers kan vi ikke bruge disse patienter eller disse observationer. Det er én ting at vide om t-testen for parrede prøver.
Lad os tage gennemsnittet af bind 1 og bind 2 data og derefter få forskellen mellem de to. Det ser ud til, at bind 2 er en smule højere med 14.07.
Det gode ved at bruge hypotesetestning er, at vi virkelig kan grave i dette og beslutte, om det, vi ser, bare er et lykketræf eller ej.
Den næste ting at gøre er at gå til afsnittet Data og derefter vælge Værktøjer til dataanalyse . Hvis du ikke er bekendt med værktøjspakken, kan du tjekke bogen for at lære, hvordan du installerer den eller foretage en websøgning.
Fra indstillingerne skal du vælge t-Test: Paired Two Sample for Means og derefter klikke på knappen OK .
For dette vindue skal vi indtaste to områder.
For Variable 1 Range skal du vælge hele rækken af Volume 1 data ved at trykke på CTRL + Shift + pil ned . Lad os også vælge hele rækken af Volume 2 for feltet Variable 2 Range .
Vi fik det samme antal observationer i hver gruppe, hvilket giver mening, fordi vi har brug for disse observationer for hver patient.
Da vi har etiketter i den første række, lad os markere afkrydsningsfeltet Etiketter og derefter lade det stå tomt for Hypotesiseret gennemsnitsforskel . Det vil antage, at den gennemsnitlige forskel er væsentligt anderledes end nul. Vi kan også tjekke, om det er anderledes end 5 eller -10, men 0 er det mest almindelige.
For outputområdet kan vi placere dette i det samme regneark og derefter klikke på OK .
Det er bemærkelsesværdigt, at dette er en meget menudrevet tilgang til at finde forskellen på denne test. Vi kan se de samme tal, som vi gjorde tidligere.
Dernæst vil jeg have dig til at fokusere din opmærksomhed på P(T<=t)>- værdien, som er 0,751 . Det betyder, at det nok ikke er en signifikant forskel, selvom dette tal er en lille smule højere statistisk set. Vi kan ikke sige, at det sandsynligvis er anderledes end 0.
Igen er målet at tage din analyse til det næste niveau ved at anvende hypotesetestning på den.
Lad os endelig se dataene for gruppe 1.
Ud fra tabellen kan vi se fra Plos One Journal, at p-værdien er 0,751. Det betyder, at vi var i stand til at gengive forskningsresultaterne i denne rapport, hvilket er fantastisk!
Kudos til forskerne også for at have deres data offentliggjort og gjort tilgængelige for offentligheden, så alle kan få adgang til dette.
Oftest bruges den parrede prøvers t-test, når der er en intervention, uanset om det er i medicin, markedsføring eller uddannelse. Derfor er dette ofte en samfundsvidenskabelig test, der skal bruges og vide, om der er sket ændringer i interventionen.
Men den svære side af det er, at vi skal have observationerne til både før- og efterintervention, hvilket er svært at gøre ofte i forretningssammenhænge.
Konklusion
En t-test med parvise prøver er en statistisk procedure, der bruges til at sammenligne gennemsnittet af to relaterede grupper eller prøver. Det bruges almindeligvis i situationer, hvor du har to relaterede prøver, som du vil sammenligne.
Dette gør det til et tilgængeligt og bekvemt værktøj for forskere og analytikere, der har brug for hurtigt og præcist at sammenligne midlerne for to relaterede grupper.
Samlet set er dette et vigtigt værktøj for alle, der arbejder med data og søger at drage meningsfulde konklusioner ud fra dem.
Alt det bedste,
George Mount
Denne blog indeholder LuckyTemplates TOPN DAX-funktionen, som giver dig mulighed for at få unik indsigt fra dine data, hvilket hjælper dig med at træffe bedre markedsføringsbeslutninger.
Find ud af, hvorfor det er vigtigt at have en dedikeret datotabel i LuckyTemplates, og lær den hurtigste og mest effektive måde at gøre det på.
Denne korte vejledning fremhæver LuckyTemplates mobilrapporteringsfunktion. Jeg vil vise dig, hvordan du kan udvikle rapporter effektivt til mobilenheder.
I denne LuckyTemplates Showcase gennemgår vi rapporter, der viser professionel serviceanalyse fra et firma, der har flere kontrakter og kundeengagementer.
Gå gennem de vigtigste opdateringer til Power Apps og Power Automate og deres fordele og implikationer for Microsoft Power Platform.
Opdag nogle almindelige SQL-funktioner, som vi kan bruge, såsom streng, dato og nogle avancerede funktioner til at behandle eller manipulere data.
I denne tutorial lærer du, hvordan du opretter din perfekte LuckyTemplates-skabelon, der er konfigureret til dine behov og præferencer.
I denne blog vil vi demonstrere, hvordan man lagdelte feltparametre med små multipler for at skabe utrolig nyttig indsigt og visuals.
I denne blog vil du lære, hvordan du bruger LuckyTemplates rangerings- og brugerdefinerede grupperingsfunktioner til at segmentere et eksempeldata og rangordne det efter kriterier.
I denne tutorial vil jeg dække en specifik teknik omkring, hvordan du kun viser Kumulativ Total op til en bestemt dato i dine visuals i LuckyTemplates.
