Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Forudsætninger for T-test | Statistisk Testning
Lær Statistik med Python

book
Forudsætninger for T-test

Hovedideen bag t-testen er, at den følger t-fordelingen. For at dette skal være sandt, antages nogle vigtige forudsætninger:

  1. Homogenitet af varians. Variansen i de to sammenlignede grupper bør være omtrent ens;

  2. Normalitet. Begge stikprøver bør nogenlunde følge en normalfordeling;

  3. Uafhængighed. Stikprøverne skal være uafhængige, hvilket betyder, at værdierne i den ene gruppe ikke bør påvirkes af dem i den anden gruppe.

Det er vigtigt at bemærke, at t-testen kan give unøjagtige resultater, hvis disse forudsætninger ikke er opfyldt.

Der findes forskellige typer af t-tests, der håndterer overtrædelser af nogle af forudsætningerne:

  • Hvis varianserne er forskellige, kan du udføre Welch's t-test. Idéen er den samme. Den eneste forskel er frihedsgraderne. At udføre Welch's t-test i stedet for den almindelige t-test i Python er så simpelt som at sætte equal_var=False;

  • Hvis stikprøverne ikke er uafhængige (for eksempel, hvis du vil sammenligne gennemsnittene for den samme gruppe på forskellige tidspunkter), kan du udføre en parret t-test. En parret t-test vil blive gennemgået i et senere kapitel.

question-icon

Vælg den passende type t-test for hvert tilfælde:

Normality, Homogeneity but no Independence —
_ _ _

Normality, Homogeneity, Independence —
_ _ _

Normality, Independence but no Homogeneity —
_ _ _

Click or drag`n`drop items and fill in the blanks

dots
Welch's t-test
dots
Regular t-test
dots
Paired t-test

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 6. Kapitel 5

Spørg AI

expand
ChatGPT

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

some-alt