Mam nadzieję, że to nie jest zbyt proste:
Rozumiem, że używaliśmy testów par w sytuacjach, gdy np. , ten sam temat jest śledzony przed i po eksperymencie / leczeniu, np. przed i po otrzymaniu przez pacjenta leku.
Ale są przypadki, które nie są opisane w tym formacie, więc chciałbym aby wiedzieć, czy zależność od testowanych zdarzeń wystarczy, aby użyć testów parowanych. W szczególności mam na myśli te 2 eksperymenty:
1) Testujemy czasy parkowania dla samochodów C1, C2 różnych marek; chcemy sprawdzić, czy średnie czasy parkowania są równe.
Mamy 10 osób parkingowych C1 i mierzymy czasy parkowania dla każdego, obliczamy średnią $ \ mu_1 $ wszystkich czasów parkowania. Następnie mamy te same 10 osób, które parkują samochód C2 w tym samym miejscu co C1, mierzymy czasy parkowania, obliczamy średnią $ \ mu_2 $ . Ponieważ zadania parkowania są wykonywane za każdym razem przez tę samą grupę, czy używamy następnie sparowanego testu t, aby sprawdzić, czy $ \ mu_1 = \ mu_2 $ (przy danym wyborze pewność), ponieważ / ponieważ te dwa czasy są ze sobą skorelowane?
2) Chcemy sprawdzić, czy prawa i lewa kończyna są równej długości. Czy używamy testów parowanych, jeśli kończyny są mierzone u tej samej osoby, ponieważ pomiary są prawdopodobnie skorelowane? A gdybyśmy w niektórych przypadkach mierzyli tylko jedną kończynę u jednej osoby i lewą kończynę u innej lub mierzylibyśmy tylko jedną kończynę na osobę, nie stosowalibyśmy testów par? Dziękuję.
Odpowiedź
Ogólnie używałbyś sparowanego $ t $ -test, kiedy występuje różnica między obserwacjami, która jest współdzielona (i dopasowywalna) między dwiema próbkami.
Zatem w Twoim przykładzie nr 1, tak: użyj sparowanej matematyki $ t $ -test, ponieważ poszczególni kierowcy mają różne umiejętności, a parowanie każdego kierowcy ze sobą powinno lepiej oszacować, czy istnieje różnica w zaparkowaniu samochodu C1 i C2.
Możesz również przeprowadź test w parach, jeśli w obu próbkach wystąpili kierowcy o różnym doświadczeniu. Następnie porównasz kierowców C1 i C2, którzy byli nowymi kierowcami, kierowcami z większym doświadczeniem itd. (W zależności od grupy doświadczenia. To mniej niż czysty ideał porównywania każdego kierowcy ze sobą, ale ponieważ spodziewamy się, że doświadczenie wpływa na zdolność prowadzenia pojazdu (a tym samym na czas parkowania), a sparowany test $ t $ jest lepszy niż test zbiorczy.
Pamiętaj, że jeśli nie możesz sparuj obserwacje 1: 1 dla samochodu C1 i C2, możesz zamiast tego przeprowadzić rozwarstwiony test $ t $ . To jednak staje się nieco bardziej skomplikowane, ponieważ potrzebujesz aby skorygować różne liczby i odchylenia w każdej kombinacji grupa-samochód. Ten zapis na warstwowym $ t $ -test pokazuje, w jaki sposób księgowość jest trochę zaangażowana.
W drugim przykładzie dobrze by było, gdybyś użył sparowanego $ t $ – sprawdź, czy zmierzyłeś obie kończyny u każdej osoby czerwone niektóre lewe kończyny i niektóre prawe kończyny, użyłbyś połączonego testu $ t $ , chyba że istnieje jakiś czynnik, który miałby odnosić się do różnicy kończyn. (Trudno mi sobie wyobrazić konfigurację, w której sparowany test $ t $ -test działałby do pomiaru niektórych lewych i niektórych prawych).