Come eseguire un test t di campioni accoppiati in python

Un test t per campioni accoppiati viene utilizzato per confrontare le medie di due campioni quando ciascuna osservazione in un campione può essere associata a un’osservazione nell’altro campione.

Questo tutorial spiega come eseguire un t-test di campioni accoppiati in Python.

Esempio: test T per campioni accoppiati in Python

Supponiamo di voler sapere se un determinato curriculum ha un impatto significativo sul rendimento degli studenti in un particolare esame. Per testarlo, chiediamo a 15 studenti di una classe di sostenere un pre-test. Quindi facciamo partecipare ciascuno studente al curriculum per due settimane. Quindi, gli studenti ripetono un test di difficoltà simile.

Per confrontare la differenza tra i punteggi medi del primo e del secondo test, utilizziamo un t-test per campioni appaiati perché per ogni studente, il punteggio del primo test può essere associato al punteggio del secondo test.

Completa i passaggi seguenti per eseguire un test t di campioni accoppiati in Python.

Passaggio 1: creare i dati.

Per prima cosa creeremo due tabelle per contenere i punteggi pre e post test:

 pre = [88, 82, 84, 93, 75, 78, 84, 87, 95, 91, 83, 89, 77, 68, 91]
post = [91, 84, 88, 90, 79, 80, 88, 90, 90, 96, 88, 89, 81, 74, 92]

Passaggio 2: eseguire un test T per campioni accoppiati.

Successivamente, utilizzeremo la funzione ttest_rel() dalla libreria scipy.stats per eseguire un t-test di campioni accoppiati, che utilizza la seguente sintassi:

test_rel(a, b)

Oro:

• a: una tabella di osservazioni campione del gruppo 1
• b: una tabella di osservazioni campione del gruppo 2

Ecco come utilizzare questa funzione nel nostro esempio specifico:

 import scipy.stats as stats

#perform the paired samples t-test
stats.ttest_rel(pre, post)

(statistic=-2.9732, pvalue=0.0101)

La statistica del test è -2,9732 e il corrispondente valore p a due code è 0,0101 .

Passaggio 3: interpretare i risultati.

In questo esempio, il test t per campioni accoppiati utilizza le seguenti ipotesi nulle e alternative:

H ₀ : i punteggi medi pre-test e post-test sono uguali

H _A : I punteggi medi pre-test e post-test non sono uguali

Poiché il valore p ( 0,0101 ) è inferiore a 0,05, rifiutiamo l’ipotesi nulla. Abbiamo prove sufficienti per affermare che il vero punteggio medio del test è diverso per gli studenti prima e dopo la partecipazione al programma di studi.