Toivottavasti tämä ei ole liian yksinkertaista:
Ymmärrän, että käytimme pariliitosta tilanteissa, joissa esim. , samaa kohdetta seurataan ennen ja jälkeen kokeen / hoidon, esim. ennen ja jälkeen potilaan saaman lääkityksen.
Mutta on tapauksia, joita ei ole kuvattu tässä muodossa, joten haluaisin tietää, riittääkö testattujen tapahtumien riippuvuus paritestien käyttämiseen. Tarkoitan erityisesti näitä kahta kokeilua:
1) Testaamme eri merkkisten autojen C1, C2 pysäköintiaikoja; haluamme nähdä, ovatko keskimääräiset pysäköintiajat samat.
Meillä on 10 henkilöä pysäköintiautoa C1 ja mitataan pysäköintiajat kullekin, laskemme keskiarvon $ \ mu_1 $ kaikista pysäköintiajoista. Sitten samat 10 henkilöä pysäköivät auton C2 samaan paikkaan kuin C1, mittaa pysäköintiajat, laskee keskiarvon $ \ mu_2 $ . Koska sama ryhmä tekee pysäköintityöt joka kerta, testasimmeko sitten pariliitetyn t-testin avulla, onko $ \ mu_1 = \ mu_2 $ (annetulla valinnalla) luottamus), koska / koska nämä kaksi aikaa ovat korreloineet?
2) Haluamme testata, ovatko oikean ja vasemman raajat yhtä pitkät. Käytämmekö paritestausta, jos raajat mitataan samalla henkilöllä, koska mitatut palkkiot todennäköisesti korreloivat? Ja jos joissakin tapauksissa mittaimme vain yhden rajan yhdellä henkilöllä ja vasemman raajan toisella tai jos vain yhden raajan henkilöä kohden, emme käyttäisi paritestausta? Kiitos.
Vastaus
Yleensä käytät pariksi liitettyä $ t $ -testi, kun havaintojen välillä on vaihtelua, joka on jaettu (ja yhteensopiva) kahden näytteen välillä.
Joten, esimerkissä # 1, kyllä: käytä pariksi liitettyä $ t $ -testi, koska yksittäisillä kuljettajilla on erilaiset kyvyt ja jokaisen kuljettajan yhdistämisen itsensä kanssa pitäisi paremmin arvioida, onko pysäköintiauton C1 ero C2: n välillä.
Voit myös tee paritesti, jos sinulla on vaihtelevan kokemuksen kuljettajia, jotka ovat tasavertaisesti edustettuina molemmissa näytteissä. Sitten verrataan C1- ja C2-kuljettajia, jotka olivat uusia kuljettajia, kuljettajia, joilla oli enemmän kokemusta, ja niin edelleen (kokemuksen ryhmittelystä riippuen. Se on vähemmän kuin puhdas ihanne verrata kutakin kuljettajaa itseensä, mutta koska odotamme kokemusta vaikuttaa ajokykyyn (ja siten pysäköintiin) pariksi liitetty $ t $ -testi on parempi kuin yhdistetty testi.
Huomaa, että jos et pysty pariliitä havainnot 1: 1 autoille C1 ja C2, voit sen sijaan tehdä kerrostetun $ t $ -testin. Se kuitenkin muuttuu hieman monimutkaisemmaksi, koska tarvitset korjata eri numerot ja vaihtelut kussakin ryhmä-auto-yhdistelmässä. Tämä kerrostetun $ t $ -testin kirjoitus näyttää, kuinka kirjanpito on mukana.
Toisessa esimerkissä olisi jälleen hyvä käyttää pariksi liitettyä $ t $ -testi, jos mitoitit molemmat raajat jokaisesta ihmisestä Jos sinulla on punaisia joitain vasemman ja oikean raajoja, käytä yhdistettyä $ t $ -testiä, ellei ole mitään tekijää, jonka oletat liittyvän raajaeroon. (Minulla on vaikea kuvitella asetuksia, joissa pariliitetty $ t $ -testi toimisi mittaamaan joitain vasemman ja oikean raajoja.)