Håper dette ikke er for grunnleggende:
Jeg forstår at vi brukte paret testing i situasjoner der f.eks. , spores det samme emnet før og etter et eksperiment / behandling, f.eks. før og etter at pasienten får medisiner.
Men det er tilfeller som ikke er beskrevet i dette formatet, så jeg vil gjerne å vite om avhengighet av testede hendelser er nok til å bruke sammenkoblede tester. Spesielt tenker jeg på disse to eksperimentene:
1) Vi tester parkeringstidene for bilene C1, C2 av forskjellige merker; vi vil se om gjennomsnittlige parkeringstider er like.
Vi har 10 personer som parkerer bil C1, og vi måler parkeringstid for hver, vi beregner gjennomsnittet $ \ mu_1 $ av alle parkeringstider. Vi har da de samme 10 personene som parkerer bil C2 på samme sted som C1, måler parkeringstider, beregner gjennomsnittet $ \ mu_2 $ . Siden parkeringsjobber utføres hver gang av samme gruppe, bruker vi deretter sammenkoblet t-Test for å teste om $ \ mu_1 = \ mu_2 $ (ved et gitt valg av tillit), siden / fordi de to gangene er korrelert?
2) Vi vil teste om høyre og venstre lemmer er like lange. Bruker vi sammenkoblet testing Hvis lemmene måles i samme person, fordi målingene sannsynligvis er korrelert? Og hvis vi bare målte bare en lem i en person og venstre lem i en annen, eller bare en lem per person, ville vi ikke brukt par-testing? Takk.
Svar
Generelt sett vil du bruke en sammenkoblet $ t $ -test når det er variasjon mellom observasjoner som deles (og samsvares) mellom de to prøvene.
Så, i eksempel 1, ja: bruk en sammenkoblet $ t $ -test siden individuelle sjåfører har forskjellige evner, og sammenkobling av hver sjåfør med seg selv bør bedre estimere om det er forskjell på å parkere bil C1 kontra C2.
Du kan også gjør en sammenkoblet test hvis du hadde drivere med ulik erfaring representert likt i begge prøvene. Deretter vil du sammenligne drivere av C1 og C2 som var nye drivere, drivere med mer erfaring og så videre (avhengig av hvilken gruppe du har av erfaring. påvirke kjøreevnen (og dermed parkeringstid) er en sammenkoblet $ t $ -test bedre enn en samlet test.
Merk at hvis du ikke kunne par observasjonene 1: 1 for bil C1 og C2, du kan i stedet gjøre en stratifisert $ t $ -test. Det blir imidlertid litt mer komplisert, siden du trenger for å korrigere for forskjellige tall og variasjoner i hver gruppebilkombinasjon. Denne skrivingen på den stratifiserte $ t $ -test viser hvordan bokføringen blir litt involvert.
I det andre eksempelet ditt vil du igjen gjøre det bra å bruke en sammenkoblet $ t $ -test om du målte begge lemmer på hver person. Hvis du måler rødt noen venstre lemmer og noen høyre lemmer, ville du bruke en samlet $ t $ -test med mindre det var noen faktor du forventet å forholde seg til lemmerforskjell. (Jeg har vanskelig for å forestille meg et oppsett der en sammenkoblet $ t $ -test fungerer for å måle noen venstre lemmer og noen høyre lemmer.)