最近有很多读者朋友对t检验的适用条件有疑问。有网友整理了相关内容,希望能回答你的疑惑。关于,这个网站已经为你找到了问题的答案,希望对你有所帮助。
尔云间 一个专门从事科研的团队
原创 小薇 A科研显微镜 关注我们
t检验也被称为student t检验(Student's t test),主要用于样品含量较小(例如(例如)n < 30),总体标准差σ未知的正态分布。t检验是利用t分布理论来推断差异的概率,从而比较两个平均值之间的差异是否明显。t检验是利用t分布理论来推断差异的概率,从而比较两个平均值之间的差异是否明显。
但是,t通过比较所有可能的平均值,检验被广泛但错误地用于检验两个以上组之间的差异。
让我们举一个例子。例如,研究人员需要研究药物A和药物AB对心输出量的影响。通常对这些数据进行三个t检查:一个比较和药物比较A,比较和药物B,另一种用于比较药物A和药物B。这种做法是不正确的,实际上,药物影响心输出的真实概率高于标称水平(The true probability of erroneously concluding that the drug affected cardiac output is actually higher than the nominal level)。
如果在刚才描述的三个比较之一中计算的T统计值的最极值的5%,当药物真的没有效果时,我们将拒绝假设并断言药物改变了心脏输出。
如果在刚才描述的三个比较之一中计算的T统计值的最极值的5%,当药物真的没有效果时,我们将拒绝假设并断言药物改变了心脏输出。如果p < 0.05.我们会感到满意,我们愿意接受这样一个事实,即20份声明中的一份是错误的。因此,当我们测试比较和药物A时,我们可以错误地判断5%的时间是不同的。类似地,当测试与药物B进行比较时,我们预计差异时间为5%,而药物A和药物B时,我们预计差异时间为5%。因此,当我们把这三个测试作为一个小组来考虑时,我们希望得出结论,即使药物不影响心脏输出,至少一个小组在一起 5% 5% 5%=15% 时差。时差。(p一般来说,简单地将多次测试中获得的p值加起来,会对一组真实p值产生保守的估计。
对t检验的讨论以三个经验规则结束:
1) 两组均值无差异的假设应采用t检验。
2)当实验设计涉及多组时,应使用其他测试,如方差分析或T测试。
3)当t检查用于检查多组之间的差异时,读者可以将报告的p值乘以可能的t检查次数来估计真实的p值。
在上述示例中,有三个t检验,因此有效p 值约为3 0.05=0.15,即15%。比较四组时,有六种可能的T检查(1对2、1对3、1对4、2对3、2对4、3对4);因此,如果作者确定存在差异并报告p < 0.05,有效p值约为6 0.05=0.30;如果他得出结论,认为治疗有效,至少有30%的机会做出错误的陈述。
这些经验规则可以帮助读者发现和纠正使用统计数据的错误。
以上是今天的统计分析和分享。你在处理数据时犯过类似的错误吗?如果数据不确定,也可以找小薇。欢迎关注点赞收藏!
主题测试文章,只做测试使用。发布者:艾迪号,转转请注明出处:https://www.cqaedi.cn/baike/48551.html