Hoppas att detta inte är alltför grundläggande:
Jag förstår att vi använde parat test i situationer där t.ex. , samma ämne spåras före och efter ett experiment / behandling, t.ex. före och efter att patienten fått ett läkemedel.
Men det finns fall som inte beskrivs i detta format, så jag skulle vilja att veta om beroendet av testade händelser räcker för att använda parade tester. Specifikt tänker jag på dessa två experiment:
1) Vi testar parkeringstiderna för bilarna C1, C2 av olika märken; vi vill se om genomsnittlig parkeringstid är lika.
Vi har 10 personer som parkerar bil C1 och vi mäter parkeringstider för varje, vi beräknar medelvärdet $ \ mu_1 $ av alla parkeringstider. Vi har sedan samma tio personer som parkerar bil C2 på samma plats som C1, mäter parkeringstider, beräknar medelvärdet $ \ mu_2 $ . Eftersom parkeringsjobb görs varje gång av samma grupp, använder vi sedan parat t-Test för att testa om $ \ mu_1 = \ mu_2 $ (vid ett givet val av självförtroende), eftersom / eftersom de två tiderna är korrelerade?
2) Vi vill testa om höger- och vänsterben är lika långa. Använder vi parade tester Om lemmarna mäts i samma person, eftersom mätvärdena sannolikt är korrelerade? Och om vi i vissa fall bara mätt en lem i en person och vänster lem i en annan eller bara mätt en lem per person skulle vi inte använda partestning? Tack.
Svar
I allmänhet skulle du använda en ihopparad $ t $ -test när det finns variation mellan observationer som delas (och matchas) mellan de två proverna.
Så, i ditt exempel nr 1, ja: använd en parad $ t $ -test eftersom enskilda förare har olika förmågor och att para varje förare med sig själva borde bättre uppskatta om det finns en skillnad i att parkera bil C1 kontra C2.
Du kan också gör ett parat test om du hade drivrutiner med olika erfarenhet representerade lika i båda proverna. Då skulle du jämföra förare av C1 och C2 som var nya förare, förare med mer erfarenhet och så vidare (beroende på din gruppering av erfarenhet. Det är mindre än det rena idealet att jämföra varje förare med sig själv, men eftersom vi förväntar oss att erfarenhet påverkar körförmågan (och därmed parkeringstid) är ett parat $ t $ -test bättre än ett pooltest.
Observera att om du inte kunde par observationerna 1: 1 för bil C1 och C2, du kan istället göra en stratifierad $ t $ -test. Det blir dock lite mer komplicerat eftersom du behöver för att korrigera för olika nummer och variationer i varje gruppbilkombination. Denna skrivning på den stratifierade $ t $ -test visar hur bokföringen blir lite involverad.
I ditt andra exempel skulle du återigen göra det bra att använda en ihopkopplad $ t $ -test om du mätte båda lemmarna på varje person röda några vänstra lemmar och några högra lemmar, skulle du använda en poolad $ t $ -test såvida det inte fanns någon faktor som du förväntade dig relaterade till lemmeskillnaden. (Jag har svårt att föreställa mig en inställning där en ihopkopplad $ t $ -test fungerar för att mäta några vänstra och några högra extremiteter.)