Questo tipo di test fa le seguenti ipotesi sui dati:<\/span><\/p>\n 1. Indipendenza:<\/strong> le osservazioni di un campione sono indipendenti dalle osservazioni dell’altro campione.<\/span><\/p>\n 2. Normalit\u00e0:<\/strong> entrambi i campioni hanno una distribuzione approssimativamente normale.<\/span><\/p>\n 3. Omogeneit\u00e0 delle varianze:<\/strong> i due campioni hanno approssimativamente la stessa varianza.<\/span><\/p>\n 4. Campionamento casuale:<\/strong> entrambi i campioni sono stati ottenuti utilizzando il metodo di campionamento casuale.<\/span><\/p>\n Se uno o pi\u00f9 di questi presupposti vengono violati, i risultati del t-test su due campioni potrebbero essere inaffidabili o addirittura fuorvianti.<\/span><\/p>\n In questo tutorial forniamo una spiegazione di ciascun presupposto, come determinare se il presupposto \u00e8 soddisfatto e cosa fare se viene violato.<\/span><\/p>\n Un t-test a due campioni presuppone che le osservazioni<\/a> di un campione siano indipendenti dalle osservazioni dell’altro campione.<\/span><\/p>\n Questo \u00e8 un presupposto cruciale perch\u00e9 se gli stessi individui compaiono in entrambi i campioni, non \u00e8 valido trarre conclusioni sulle differenze tra i campioni.<\/span><\/p>\n Il modo pi\u00f9 semplice per verificare questa ipotesi \u00e8 verificare che ciascuna osservazione appaia solo una volta in ciascun campione e che le osservazioni in ciascun campione siano state raccolte mediante campionamento casuale.<\/span><\/p>\n Se questo presupposto non viene soddisfatto, i risultati del t-test su due campioni non sono completamente validi. In questo scenario, \u00e8 meglio raccogliere due nuovi campioni utilizzando un metodo di campionamento casuale e garantire che ciascun individuo in un campione non appartenga all’altro campione.<\/span><\/p>\n Un t-test a due campioni presuppone che i due campioni siano distribuiti approssimativamente normalmente.<\/span><\/p>\n Questo \u00e8 un presupposto cruciale perch\u00e9 se i campioni non sono distribuiti normalmente, non \u00e8 valido utilizzare i valori p del test per trarre conclusioni sulle differenze tra i campioni.<\/span><\/p>\n Se le dimensioni del campione sono piccole (n <50), allora possiamo utilizzare un test di Shapiro-Wilk per determinare se ciascuna dimensione del campione \u00e8 distribuita normalmente. Se il valore p del test \u00e8 inferiore a un certo livello di significativit\u00e0, probabilmente i dati non sono distribuiti normalmente.<\/span><\/p>\n Se le dimensioni del campione sono grandi, \u00e8 meglio utilizzare un grafico QQ<\/a> per verificare visivamente se i dati sono distribuiti normalmente.<\/span> <\/p>\n Se i punti dati si trovano all’incirca lungo una linea diagonale retta in un grafico QQ, allora il set di dati probabilmente segue una distribuzione normale.<\/span><\/p>\n Se questa ipotesi viene violata, allora possiamo eseguire un test U di Mann-Whitney<\/a> , che \u00e8 considerato l’equivalente non parametrico del test t a due campioni e non presuppone che i due campioni siano distribuiti normalmente.<\/span><\/p>\n Un t-test a due campioni presuppone che i due campioni abbiano varianze approssimativamente uguali.<\/span><\/p>\n Usiamo la seguente regola pratica per determinare se le varianze tra i due campioni sono uguali: Se il rapporto tra la varianza maggiore e la varianza minima \u00e8 inferiore a 4, allora possiamo supporre che le varianze siano approssimativamente uguali e utilizzare entrambi i campioni t -test.<\/span><\/p>\n Ad esempio, supponiamo che il campione 1 abbia una varianza di 24,5 e il campione 2 abbia una varianza di 15,2. Il rapporto tra la varianza campionaria pi\u00f9 grande e la varianza campionaria pi\u00f9 piccola verrebbe calcolato come segue:<\/span><\/p>\n Rapporto:<\/strong> 24,5 \/ 15,2 = 1,61<\/span><\/p>\n Essendo questo rapporto inferiore a 4, si potrebbe supporre che le differenze tra i due gruppi siano approssimativamente uguali.<\/span><\/p>\n Se questo presupposto viene violato, \u00e8 possibile eseguire il test t di Welch<\/a> , che \u00e8 una versione non parametrica del test t a due campioni e non presuppone che i due campioni abbiano varianze uguali.<\/span><\/p>\n Un t-test a due campioni presuppone che entrambi i campioni siano stati ottenuti utilizzando un metodo di campionamento casuale.<\/span><\/p>\n Non esiste un test statistico formale che possiamo utilizzare per verificare questa ipotesi. Dobbiamo invece semplicemente assicurarci che entrambi i campioni siano stati ottenuti utilizzando un metodo di campionamento casuale<\/a> tale che ogni individuo nella popolazione di interesse abbia la stessa probabilit\u00e0 di essere incluso nell\u2019uno o nell\u2019altro campione.<\/span><\/span><\/p>\n Se questa ipotesi non viene soddisfatta, \u00e8 improbabile che i nostri due campioni siano rappresentativi<\/a> della popolazione di interesse. In questo caso, non possiamo generalizzare in modo affidabile i risultati del t-test a due campioni alla popolazione<\/a> complessiva.<\/span><\/p>\n In questo scenario, \u00e8 meglio raccogliere due nuovi campioni utilizzando un metodo di campionamento casuale.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Un t-test a due campioni viene utilizzato per verificare se le medie di due popolazioni sono uguali o meno. Questo tipo di test fa le seguenti ipotesi sui dati: 1. Indipendenza: le osservazioni di un campione sono indipendenti dalle osservazioni dell’altro campione. 2. Normalit\u00e0: entrambi i campioni hanno una distribuzione approssimativamente normale. 3. Omogeneit\u00e0 delle […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Ipotesi 1: Indipendenza<\/strong><\/h2>\n
Come verificare questa ipotesi<\/strong><\/h3>\n
Cosa fare se questo presupposto non viene rispettato<\/strong><\/span><\/h3>\n
Ipotesi 2: normalit\u00e0<\/strong><\/h2>\n
Come verificare questa ipotesi<\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/qqplot.jpg\")
<\/p>\n Cosa fare se questo presupposto non viene rispettato<\/strong><\/span><\/h3>\n
Ipotesi 3: Omogeneit\u00e0 delle differenze<\/strong><\/h2>\n
Come verificare questa ipotesi<\/strong><\/h3>\n
Cosa fare se questo presupposto non viene rispettato<\/strong><\/span><\/h3>\n
Ipotesi 4: campionamento casuale<\/strong><\/h2>\n
Come verificare questa ipotesi<\/strong><\/h3>\n
Cosa fare se questo presupposto non viene rispettato<\/strong><\/span><\/h3>\n