Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Antaganden för T-test | Statistisk Testning
Lära Sig Statistik med Python

book
Antaganden för T-test

Huvudidén bakom t-testet är att det följer t-fördelningen. För att detta ska gälla görs några viktiga antaganden:

  1. Homogenitet av varians. Varianserna för de två jämförda grupperna bör vara ungefär lika;

  2. Normalfördelning. Båda urvalen bör ungefär följa en normalfördelning;

  3. Oberoende. Urvalen måste vara oberoende, vilket innebär att värdena i en grupp inte ska påverkas av de i den andra gruppen.

Det är viktigt att notera att t-testet kan ge felaktiga resultat om dessa antaganden inte uppfylls.

Det finns olika typer av t-tester som hanterar brott mot vissa av antagandena:

  • Om varianserna är olika kan du använda Welchs t-test. Idén är densamma. Det enda som skiljer är frihetsgraderna. Att utföra Welchs t-test istället för det vanliga t-testet i Python är så enkelt som att ange equal_var=False;

  • Om urvalen inte är oberoende (till exempel om du vill jämföra medelvärdena för samma grupp vid olika tidpunkter), kan du använda ett parat t-test. Ett parat t-test kommer att diskuteras i ett senare kapitel.

question-icon

Välj lämplig typ av t-test för varje fall:

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

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 6. Kapitel 5

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

some-alt