Kalkulator testu t
Przeprowadź test t dla jednej lub dwóch prób na podstawie danych surowych lub statystyk opisowych. Wprowadź wartości, wybierz hipotezę alternatywną i poziom istotności, a otrzymasz statystykę t, liczbę stopni swobody, wartość p oraz wniosek.
Wykonaj test t
Wzór testu t
Gdzie:
- \(\bar{x}\) — średnia z próby
- \(\mu_0\) — hipotetyczna średnia populacji przyjęta w H0
- \(s\) — odchylenie standardowe próby (z \(n - 1\) w mianowniku)
- \(n\) — liczebność próby
- \(\bar{x}_1, \bar{x}_2\), \(s_1, s_2\), \(n_1, n_2\) — średnie, odchylenia standardowe i liczebności dwóch niezależnych prób
Statystyka t mierzy, o ile błędów standardowych średnia z próby odstaje od wartości przyjętej w H0. Porównuje się ją z rozkładem t-Studenta o \(df\) stopniach swobody, aby uzyskać wartość p, czyli prawdopodobieństwo zaobserwowania wyniku co najmniej tak skrajnego, gdyby H0 była prawdziwa. Dla testu dwustronnego \(p = 2\,P(T_{df} \ge |t|)\); testy jednostronne wykorzystują jeden ogon rozkładu. Jeśli dla dwóch prób wybrano opcję wariancji łączonej, błąd standardowy bazuje na wariancji łączonej \(s_p^2\), a \(df = n_1 + n_2 - 2\).
Test t – przykład obliczeń
{shortcode_start}
Przykład: maszyna powinna napełniać butelki do 100 ml. Zmierzono dziesięć objętości napełnienia: 99,2, 98,7, 100,3, 101,1, 99,5, 98,9, 100,8, 99,6, 100,2, 97,9. Czy średnia objętość różni się od 100 ml przy \(\alpha = 0.05\)? (Są to domyślne wartości w kalkulatorze.)
\[ n = 10, \quad \bar{x} = \frac{996.2}{10} = 99.62, \quad s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n - 1}} \approx 0.994 \]
\[ t = \frac{99.62 - 100}{0.994/\sqrt{10}} = \frac{-0.38}{0.314} \approx -1.209, \quad df = 10 - 1 = 9 \]
\[ p = 2\,P(T_9 \ge |-1.209|) \approx 0.258 \]
Wynik: \(t \approx -1.209\), \(df = 9\), \(p \approx 0.258\). Ponieważ \(p > 0.05\), nie ma podstaw do odrzucenia H0: nie istnieją statystycznie istotne dowody, że średnia objętość napełnienia różni się od 100 ml.
{/shortcode_start}
Jak korzystać z kalkulatora testu t
- W sekcji Ustawienia testu wybierz Typ testu: dla jednej próby (porównanie średniej z próby z wartością hipotetyczną) lub dla dwóch prób (porównanie średnich dwóch niezależnych prób).
- Wybierz Hipotezę alternatywną (H1) — dwustronną (\(\neq\)), prawostronną (\(>\)) lub lewostronną (\(<\)) — oraz Poziom istotności (\(\alpha\)): 0,05; 0,01 lub 0,10.
- W teście dla jednej próby wprowadź Średnią hipotetyczną (\(\mu_0\)).
- W teście dla dwóch prób wybierz Założenie o wariancjach: Welch (nierówne wariancje, bezpieczniejsza opcja domyślna) lub wariancja łączona (równe wariancje).
- Ustaw Tryb wprowadzania danych. W trybie danych surowych wklej wartości do pola Dane próby (oraz Dane próby 2 w teście dla dwóch prób), oddzielone spacjami, średnikami lub znakami nowej linii. W trybie statystyk opisowych wprowadź średnią, odchylenie standardowe i liczebność każdej próby.
- Odczytaj statystykę t, liczbę stopni swobody, wartość p oraz Wniosek, informujący, czy H0 należy odrzucić przy wybranym \(\alpha\).
Czym jest test t i jak interpretować wynik
Test t to statystyczny test hipotez, który porównuje średnią (lub różnicę między dwiema średnimi) z wartością deklarowaną, gdy odchylenie standardowe populacji jest nieznane i trzeba je oszacować na podstawie próby. To typowa sytuacja przy małych zbiorach danych w nauce, kontroli jakości, medycynie i testach A/B. Otrzymana statystyka t wyraża zaobserwowaną różnicę w jednostkach błędu standardowego; wartości dalekie od zera sugerują, że dane przeczą hipotezie zerowej.
Wartość p odpowiada na pytanie: gdyby hipoteza zerowa była prawdziwa, jakie jest prawdopodobieństwo uzyskania wyniku co najmniej tak skrajnego jak zaobserwowany? Mała wartość p oznacza, że dane byłyby zaskakujące przy założeniu H0, co stanowi dowód przeciwko niej. Zgodnie z konwencją wynik nazywa się statystycznie istotnym, gdy \(p \le \alpha\) (zwykle 0,05), i wówczas H0 odrzuca się. Duża wartość p nie dowodzi prawdziwości H0 — oznacza jedynie, że nie ma wystarczających dowodów przeciwko niej.
Kierunek testu (ogon rozkładu) wybierz w zależności od pytania badawczego. Test dwustronny sprawdza każdą różnicę (\(\mu \ne \mu_0\)). Test prawostronny pyta, czy średnia jest większa od wartości hipotetycznej; test lewostronny — czy mniejsza. Testy jednostronne są mocniejsze w wybranym kierunku, ale ich użycie musi być uzasadnione przed spojrzeniem na dane — późniejsza zmiana kierunku zawyża odsetek fałszywie pozytywnych wyników.
Dla dwóch niezależnych prób kalkulator domyślnie oferuje test Welcha. Nie zakłada on równości wariancji i stosuje przybliżenie Welcha–Satterthwaite’a dla liczby stopni swobody, co jest bardziej wiarygodne, gdy próby różnią się zmiennością lub liczebnością. Wersja z wariancją łączoną jest odpowiednia tylko wtedy, gdy można przyjąć, że populacje mają równe wariancje.
Założenia, ograniczenia i praktyczne wskazówki
- Normalność: test t zakłada, że badana populacja (lub reszty) ma w przybliżeniu rozkład normalny. Przy małych próbach sprawdź histogram lub wykres normalności; przy dużych próbach (mniej więcej \(n \ge 30\)) centralne twierdzenie graniczne czyni test odpornym na umiarkowane odchylenia od normalności. Silnie skośne dane z wartościami odstającymi wymagają alternatywy nieparametrycznej.
- Niezależność: obserwacje muszą być od siebie niezależne. Dane sparowane lub z powtarzanymi pomiarami (przed/po u tych samych osób) nie powinny być analizowane testem dla dwóch prób — zamiast tego oblicz różnice i przeprowadź na nich test t dla jednej próby.
- Liczebność próby: wymagane są co najmniej 2 wartości w każdej próbie, a wartości nie mogą być wszystkie identyczne (SD = 0). Małe próby oznaczają szeroką niepewność, więc nieistotny wynik może jedynie odzwierciedlać małą moc — przy planowaniu badania skorzystaj z Kalkulatora wielkości próby.
- Istotność a znaczenie praktyczne: bardzo mała wartość p mówi tylko, że różnica mało prawdopodobnie jest zerowa, a nie że jest duża lub praktycznie istotna. Zawsze podawaj wielkość efektu i uzupełnij test Kalkulatorem przedziału ufności, aby poznać wiarygodny zakres różnicy średnich.
- Dane surowe czy statystyki opisowe: dane surowe pozwalają kalkulatorowi obliczyć za Ciebie średnią i odchylenie standardowe (z mianownikiem \(n-1\)); tryb statystyk opisowych jest wygodny przy odczytywaniu opublikowanych wyników. Do sprawdzania pojedynczych wartości przydatne są Kalkulator odchylenia standardowego oraz Kalkulator wyniku Z (dla znanego \(\sigma\) lub dużych prób).
Najczęściej zadawane pytania
Jaka jest dobra, istotna wartość statystyki t?
Nie istnieje uniwersalna „dobra” wartość t — jej znaczenie zależy od liczby stopni swobody i od tego, czy test jest jedno-, czy dwustronny. Z grubsza przy około 20 stopniach swobody dwustronna wartość t przekraczająca ±2,09 jest istotna przy \(\alpha = 0.05\). Większe wartości \(|t|\) wskazują na silniejsze dowody przeciwko hipotezie zerowej. Istotność zawsze oceniaj na podstawie wartości p, a nie samej statystyki t.
Jak obliczyć statystykę t ręcznie?
W teście dla jednej próby odejmij średnią hipotetyczną od średniej z próby, a następnie podziel wynik przez błąd standardowy \(s/\sqrt{n}\). Najpierw oblicz średnią, potem odchylenie standardowe próby z mianownikiem \(n-1\). Na przykład przy \(\bar{x} = 12\), \(\mu_0 = 10\), \(s = 3\), \(n = 9\): \(t = (12-10)/(3/\sqrt{9}) = 2\). Porównaj wynik z rozkładem t o \(df = n-1\), aby uzyskać wartość p.
Czy wybrać test t jedno- czy dwustronny?
Użyj testu dwustronnego, gdy każda różnica ma znaczenie (wyższa lub niższa). Testu jednostronnego używaj tylko wtedy, gdy kierunkową prognozę określiłeś przed zebraniem danych — na przykład „nowy lek obniża ciśnienie krwi”. Wybór kierunku po zobaczeniu wyniku sztucznie zawyża odsetek fałszywie pozytywnych wyników. W razie wątpliwości test dwustronny jest wyborem ostrożnym i powszechnie akceptowanym w większości badań.
Jaka jest różnica między testem t a testem z?
Testu z używa się, gdy odchylenie standardowe populacji \(\sigma\) jest znane lub gdy próby są bardzo duże; testu t — gdy \(\sigma\) trzeba oszacować na podstawie próby, co wprowadza dodatkową niepewność. Rozkład t ma cięższe ogony niż rozkład normalny, zwłaszcza przy małej liczbie stopni swobody. Wraz ze wzrostem \(n\) (mniej więcej powyżej 30) oba testy dają niemal identyczne wyniki.
Czy mogę użyć testu t dla danych sparowanych lub przed/po?
Nie w formie zwykłego testu dla dwóch prób. Pomiary sparowane — np. ciśnienie krwi przed i po leczeniu u tych samych osób — naruszają założenie niezależności. Zamiast tego oblicz różnicę dla każdej osoby i przeprowadź test t dla jednej próby na tych różnicach, sprawdzając, czy ich średnia równa się zeru. Użycie testu dla prób niezależnych na danych sparowanych zwykle zmniejsza moc statystyczną.
Dlaczego moja wartość p nieznacznie różni się od wyników innych programów?
Niewielkie różnice zwykle wynikają z zaokrągleń danych wejściowych lub z różnych założeń dotyczących wariancji. Sprawdź, czy inne narzędzie użyło wariancji łączonej, podczas gdy tu zastosowano test Welcha, albo czy domyślnie zakładało równość wariancji (jak funkcja T.TEST w Excelu z typem 2). Zaokrąglenie odchylenia standardowego do mniejszej liczby miejsc po przecinku przed wprowadzeniem może również wyraźnie przesunąć statystykę t i wartość p, więc wpisuj dane z pełną precyzją.
Jaką liczebność próby potrzeba, aby test t był ważny?
Formalnie test działa już przy 2 obserwacjach, ale bardzo małe próby mają małą moc i są wrażliwe na odchylenia od normalności. Przy \(n \ge 30\) centralne twierdzenie graniczne czyni test dość odpornym nawet na dane skośne. Przy planowaniu badania wymagana liczebność próby zależy od wielkości efektu, który chcesz wykryć, poziomu istotności i oczekiwanej mocy — właściwym sposobem jej doboru jest analiza mocy.