Håber det ikke er alt for grundlæggende:
Jeg forstår, at vi brugte parret test i situationer, hvor f.eks. , det samme emne spores før og efter et eksperiment / behandling, fx før og efter at patienten modtager medicin.
Men der er tilfælde, der ikke er beskrevet i dette format, så jeg vil gerne at vide, om afhængighed af testede begivenheder er tilstrækkelig til at bruge parrede tests. Specifikt tænker jeg på disse to eksperimenter:
1) Vi tester parkeringstiderne for biler C1, C2 af forskellige mærker; vi vil se, om gennemsnitlige parkeringstider er ens.
Vi har 10 personer, der parkerer bil C1, og vi måler parkeringstider for hver, vi beregner gennemsnittet $ \ mu_1 $ af alle parkeringstider. Vi har derefter de samme 10 personer, der parkerer bil C2 på samme sted som C1, måler parkeringstider, beregner gennemsnittet $ \ mu_2 $ . Da parkeringsjob udføres hver gang af den samme gruppe, bruger vi derefter parret t-Test til at teste, om $ \ mu_1 = \ mu_2 $ (ved et givet valg af tillid), da / fordi de to gange er korreleret?
2) Vi vil teste, om højre og venstre lemmer har samme længde. Bruger vi parret test Hvis lemmerne måles i den samme person, fordi målingerne sandsynligvis er korreleret? Og hvis vi i nogle af tilfældene kun målte kun én lem i en person og venstre lemmer i en anden, eller vi kun målte en lem pr. Person, ville vi ikke bruge par-test? Tak.
Svar
Generelt bruger du en parret $ t $ -test, når der er variation mellem observationer, der deles (og matches) mellem de to prøver.
Så i dit eksempel nr. 1, ja: brug en parret $ t $ -test, da individuelle chauffører har forskellige evner, og parring af hver chauffør med sig selv burde bedre estimere, om der er forskel på at parkere bil C1 versus C2.
Du kan også lav en parret test, hvis du havde chauffører med forskellig erfaring repræsenteret ens i begge prøver. Derefter sammenligner du chauffører fra C1 og C2, der var nye chauffører, chauffører med mere erfaring osv. (Afhængigt af din gruppering af erfaring. Det er mindre end det rene ideal at sammenligne hver chauffør med sig selv, men da vi forventer, at erfaring påvirker køreevnen (og dermed parkeringstid) er en parret $ t $ -test bedre end en samlet test.
Bemærk at hvis du ikke kunne par observationer 1: 1 for bil C1 og C2, du kan i stedet gøre en stratificeret $ t $ -test. Det bliver dog lidt mere kompliceret, da du har brug for for at korrigere for forskellige tal og variation i hver gruppebilkombination. Denne opskrivning på den stratificerede $ t $ -test viser, hvordan bogføringen bliver lidt involveret.
I dit andet eksempel ville du igen gøre det godt at bruge en parret $ t $ -test, hvis du målte begge lemmer på hver person. Hvis du måler rødt nogle venstre lemmer og nogle højre lemmer, ville du bruge en samlet $ t $ -test, medmindre der var en eller anden faktor, du forventede at relatere til lemmerforskellen. (Jeg har svært ved at forestille mig en opsætning, hvor en parret $ t $ -test fungerer til måling af nogle venstre lemmer og nogle højre lemmer.)