F test နှင့် t test ကွာခြားချက်ကဘာလဲ။
ကျောင်းသားတွေ မကြာခဏ ရှုပ်တတ်တဲ့ ကိန်းဂဏန်း စာမေးပွဲ နှစ်ခုကတော့ F-Test နဲ့ T-Test ပါ။ ဤသင်ခန်းစာသည် စမ်းသပ်မှုနှစ်ခုကြား ခြားနားချက်ကို ရှင်းပြသည်။
F စမ်းသပ်မှု- အခြေခံအချက်များ
လူဦးရေကွဲလွဲမှုနှစ်ခု တူညီမှုရှိမရှိ စမ်းသပ်ရန် F test ကို အသုံးပြုသည်။ စမ်းသပ်မှု၏ null နှင့် အခြားအခြားသော ယူဆချက်များမှာ အောက်ပါအတိုင်းဖြစ်သည် ။
H 0 : σ 1 2 = σ 2 2 (လူဦးရေကွဲလွဲမှု ညီမျှသည်)
H 1 : σ 1 2 ≠ σ 2 2 (လူဦးရေကွဲလွဲမှု မညီမျှ ပါ)
F test statistic ကို s 1 2 / s 2 2 အဖြစ် တွက်ချက်သည်။
စမ်းသပ်စာရင်းအင်း၏ p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက (အများအားဖြင့် ရွေးချယ်မှုများမှာ 0.10၊ 0.05 နှင့် 0.01)၊ ထို့နောက် null hypothesis ကို ပယ်ချပါသည်။
ဥပမာ- တူညီသောကွဲလွဲမှုအတွက် F စမ်းသပ်မှု
သုတေသီတစ်ဦးသည် အပင်မျိုးစိတ်နှစ်ခုကြား အမြင့်ကွဲပြားမှု တူညီခြင်းရှိမရှိ သိလိုပါသည်။ ၎င်းကို စမ်းသပ်ရန်အတွက် လူဦးရေတစ်ခုစီမှ အပင် 20 ၏ ကျပန်းနမူနာကို ကောက်ယူပြီး နမူနာတစ်ခုစီအတွက် နမူနာကွဲလွဲမှုကို တွက်ချက်သည်။
F-test ကိန်းဂဏန်းသည် 4.38712 နှင့် သက်ဆိုင်သော p-value သည် 0.0191 ဖြစ်သည်။ ဤ p-value သည် 0.05 ထက်နည်းသောကြောင့် F-test ၏ null hypothesis ကို ငြင်းပယ်သည်။ ဆိုလိုသည်မှာ အပင်မျိုးစိတ်နှစ်ခုကြား အမြင့်ကွာခြားချက် သည် မညီမျှ ဟု ဆိုရန် လုံလောက်သော အထောက်အထားများ ရှိသည်ဟု ဆိုလိုသည်။
T စမ်းသပ်မှု – အခြေခံများ
နမူနာနှစ်ခု t-test ကို လူဦးရေ နှစ်ခု၏ အဓိပ္ပါယ်သည် ညီမျှခြင်း ရှိ၊ မရှိ စမ်းသပ်ရန် အသုံးပြုပါသည်။
နမူနာနှစ်ခု t-test သည် အောက်ပါ null hypothesis ကို အမြဲသုံးသည်-
- H 0 : μ 1 = μ 2 (လူဦးရေ နှစ်ခုသည် တူညီသည်)
အခြားယူဆချက်သည် နှစ်ဘက်၊ ဘယ် သို့မဟုတ် ညာဘက် ဖြစ်နိုင်သည်-
- H 1 (အမြီးနှစ်ကောင်): μ 1 ≠ μ 2 (လူဦးရေနှစ်ခု၏ အဓိပ္ပါယ်မှာ မညီမျှခြင်း)
- H 1 (ဘယ်ဘက်): μ 1 < μ 2 (လူဦးရေ 1 ၏ပျမ်းမျှသည် လူဦးရေ 2 ၏ပျမ်းမျှထက်နိမ့်သည်)
- H 1 (ညာဘက်): μ 1 > μ 2 (လူဦးရေ 1 ၏ပျမ်းမျှသည် လူဦးရေ 2 ၏ပျမ်းမျှထက် ပိုများသည်)
စာမေးပွဲစာရင်းကို အောက်ပါအတိုင်း တွက်ချက်သည်။
စမ်းသပ်စာရင်းအင်း- ( x 1 – x 2 ) / s p (√1/n 1 + 1/n 2 )
x 1 နှင့် x 2 သည် နမူနာဆိုလိုသည်မှာ အဘယ်မှာနည်း၊ n 1 နှင့် n 2 သည် နမူနာအရွယ်အစားဖြစ်ပြီး s p ကို အောက်ပါအတိုင်း တွက်ချက်ပါသည်။
s p = √ (n 1 -1)s 1 2 + (n 2 -1)s 2 2 / (n 1 +n 2 -2)၊
s 1 2 နှင့် s 2 2 သည် နမူနာကွဲလွဲမှုများဖြစ်သည်။
လွတ်လပ်မှု (n 1 + n 2 -1) ဒီဂရီနှင့် t-test ကိန်းဂဏန်းနှင့် ကိုက်ညီသော p-value သည် သင်ရွေးချယ်သော အရေးပါမှုအဆင့်ထက် လျော့နည်းနေပါက (အများအားဖြင့် ရွေးချယ်မှုများမှာ 0.10၊ 0.05၊ နှင့် 0, 01) ဆိုလျှင် သင်၊ null hypothesis ကို ငြင်းပယ်နိုင်သည်။ .
ဥပမာ- နမူနာ t-test နှစ်ခု
အပင်မျိုးစိတ်နှစ်ခုကြားရှိ ပျမ်းမျှအမြင့်သည် တူညီမှုရှိမရှိ သုတေသီတစ်ဦးမှ သိရှိလိုပါသည်။ ၎င်းကို စမ်းသပ်ရန်အတွက် လူဦးရေတစ်ခုစီမှ အပင် 20 ၏ ကျပန်းနမူနာကို ကောက်ယူပြီး နမူနာတစ်ခုစီ၏ ပျမ်းမျှအား တွက်ချက်သည်။
t-test statistic သည် 1.251 ဖြစ်သွားပြီး သက်ဆိုင်ရာ p-value သည် 0.2148 ဖြစ်သည်။ ဤ p-value သည် 0.05 ထက်မနည်းသောကြောင့် T-test ၏ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။ ဆိုလိုသည်မှာ ဤအပင်မျိုးစိတ်နှစ်ခုကြားရှိ ပျမ်းမျှအမြင့်သည် ကွဲပြားသည်ဟုဆိုရန် လုံလောက်သော အထောက်အထားမရှိဟု ဆိုလိုသည်။
F စမ်းသပ်ခြင်း သို့မဟုတ် T စမ်းသပ်ခြင်း- ၎င်းတို့ကို မည်သည့်အချိန်တွင် အသုံးပြုရမည်နည်း။
အောက်ပါမေးခွန်းများကိုဖြေဆိုရန် F-test ကို ကျွန်ုပ်တို့ပုံမှန်အားဖြင့်အသုံးပြုသည်-
- နမူနာနှစ်ခုသည် တူညီသောကွဲလွဲမှုရှိသော လူဦးရေများမှ ဆင်းသက်လာပါသလား။
- ကုသမှုအသစ် သို့မဟုတ် လုပ်ငန်းစဉ်သည် လက်ရှိကုသမှု သို့မဟုတ် လုပ်ငန်းစဉ်၏ ကွဲပြားမှုကို လျှော့ချနိုင်ပါသလား။
အောက်ဖော်ပြပါမေးခွန်းများကိုဖြေဆိုရန် ကျွန်ုပ်တို့သည် ပုံမှန်အားဖြင့် T-test ကို အသုံးပြုသည်-
- လူဦးရေနှစ်ခု၏ အဓိပ္ပါယ်မှာ ညီမျှပါသလား။ (ဤမေးခွန်းကိုဖြေဆိုရန် ကျွန်ုပ်တို့သည် နမူနာနှစ်ခု t-test ကို အသုံးပြုသည်)
- လူဦးရေ၏ပျမ်းမျှတန်ဖိုးသည် သတ်မှတ်ထားသောတန်ဖိုးနှင့် ညီမျှပါသလား။ (ဤမေးခွန်းကိုဖြေဆိုရန် ကျွန်ုပ်တို့သည် နမူနာ t-test ကို အသုံးပြုသည်)
ထပ်လောင်းအရင်းအမြစ်များ
Hypothesis Testing နိဒါန်း
t-test calculator ၏ဥပမာ
နမူနာ t-test ဂဏန်းတွက်စက် နှစ်ခု
စာရေးသူအကြောင်း
Benjamin Anderson
မင်္ဂလာပါ၊ ကျွန်ုပ်သည် အငြိမ်းစား စာရင်းအင်း ပါမောက္ခ ဘင်ဂျမင်ဖြစ်ပြီး သီးသန့် Statorials ဆရာအဖြစ် လှည့်ပတ်ပါသည်။ စာရင်းဇယားနယ်ပယ်တွင် ကျယ်ပြန့်သောအတွေ့အကြုံနှင့် ကျွမ်းကျင်မှုနှင့်အတူ၊ Statorials မှတစ်ဆင့် ကျောင်းသားများကို ခွန်အားဖြစ်စေရန်အတွက် ကျွန်ုပ်၏အသိပညာကို မျှဝေလိုပါသည်။ ပိုသိတယ်။