<\/p>\n
Una domanda comune posta dagli studenti \u00e8:<\/span><\/p>\n \u00c8 richiesta una dimensione minima del campione per eseguire un t-test?<\/strong><\/em><\/span><\/p>\n La risposta breve:<\/span><\/p>\n No. Non \u00e8 richiesta una dimensione minima del campione per eseguire un t-test.<\/strong><\/span><\/p>\n In effetti, il primo test t mai utilizzato ha utilizzato solo un campione di quattro persone<\/a> .<\/span><\/p>\n Tuttavia, se le ipotesi di un test t non vengono soddisfatte, i risultati potrebbero non essere affidabili.<\/span><\/p>\n Inoltre, se la dimensione del campione \u00e8 troppo piccola, la potenza del test potrebbe essere troppo bassa per rilevare differenze significative nei dati.<\/span><\/p>\n Esaminiamo ciascuno di questi potenziali problemi in modo pi\u00f9 dettagliato.<\/span><\/p>\n Un test t su un campione<\/strong> viene utilizzato per verificare se la media di una popolazione \u00e8 uguale o meno a un determinato valore.<\/span><\/p>\n Questo test parte dalle seguenti ipotesi:<\/span><\/p>\n Viene utilizzato un t-test a due campioni<\/strong> per verificare se esiste una differenza significativa tra le medie di due popolazioni.<\/span><\/p>\n Questo test parte dalle seguenti ipotesi:<\/span><\/p>\n Quando si esegue ciascun tipo di test t, se uno o pi\u00f9 di questi presupposti non vengono soddisfatti, i risultati del test potrebbero diventare inaffidabili.<\/span><\/p>\n In questo caso, \u00e8 meglio utilizzare un test non parametrico alternativo che non faccia queste ipotesi.<\/span><\/p>\n L’alternativa non parametrica al t-test per un campione \u00e8 il test dei ranghi con segno di Wilcoxon<\/a> .<\/span><\/p>\n L’alternativa non parametrica al t-test a due campioni \u00e8 il test U di Mann-Whitney<\/a> .<\/span><\/p>\n Il potere statistico<\/strong> si riferisce alla probabilit\u00e0 che un test rilevi un effetto quando esiste effettivamente.<\/span><\/p>\n Si pu\u00f2 dimostrare che minore \u00e8 la dimensione del campione utilizzato, minore \u00e8 la potenza statistica di un dato test. Questo \u00e8 il motivo per cui i ricercatori generalmente desiderano campioni di dimensioni pi\u00f9 grandi per avere una potenza maggiore e quindi una maggiore probabilit\u00e0 di rilevare differenze reali.<\/span><\/p>\n Ad esempio, supponiamo che la dimensione dell\u2019effetto reale<\/a> tra due popolazioni sia 0,5 \u2013 una dimensione dell\u2019effetto \u201cmedia\u201d. Possiamo utilizzare il seguente codice R per calcolare la potenza di un test t a due campioni utilizzando diverse dimensioni del campione:<\/span><\/p>\n Ecco come interpretare i risultati:<\/span><\/p>\n Possiamo vedere che la potenza del test aumenta all\u2019aumentare della dimensione del campione.<\/span><\/p>\n Pertanto, non abbiamo bisogno<\/em> di una dimensione minima del campione per eseguire un t-test, ma dimensioni ridotte del campione portano a un potere statistico inferiore e quindi a una ridotta capacit\u00e0 di rilevare una vera differenza nei dati.<\/span><\/p>\n Ecco un riepilogo di ci\u00f2 che abbiamo imparato:<\/span><\/p>\n Le esercitazioni seguenti offrono informazioni aggiuntive sui test t.<\/span><\/p>\n Un’introduzione al t-test per un campione<\/a> Una domanda comune posta dagli studenti \u00e8: \u00c8 richiesta una dimensione minima del campione per eseguire un t-test? La risposta breve: No. Non \u00e8 richiesta una dimensione minima del campione per eseguire un t-test. In effetti, il primo test t mai utilizzato ha utilizzato solo un campione di quattro persone . Tuttavia, se le ipotesi […]<\/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 Comprensione delle ipotesi del test t<\/strong><\/span><\/h3>\n
\n
\n
Comprendere la potenza dei test t<\/strong><\/span><\/h3>\n
#sample size n=10<\/span>\npower. t<\/span> . test<\/span> (n=10, delta=.5, sd=1, sig.level=.05, type=' two.sample<\/span> ')$power\n\n[1] 0.1838375\n\n#sample size n=30<\/span>\npower. t<\/span> . test<\/span> (n=30, delta=.5, sd=1, sig.level=.05, type=' two.sample<\/span> ')$power\n\n[1] 0.477841\n\n#sample size n=50<\/span>\npower. t<\/span> . test<\/span> (n=50, delta=.5, sd=1, sig.level=.05, type=' two.sample<\/span> ')$power\n\n[1] 0.6968888\n<\/strong><\/pre>\n\n
Conclusione<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Un’introduzione al test t a due campioni<\/a>
Un’introduzione al t-test per campioni appaiati<\/a>
Le quattro ipotesi formulate in un t test<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"