statistiska tester används vid hypotesprovning. De kan användas för att:
- avgöra om en prediktorvariabel har ett statistiskt signifikant samband med en resultatvariabel.
- uppskatta skillnaden mellan två eller flera grupper.
statistiska tester antar en nollhypotes om inget förhållande eller ingen skillnad mellan grupper. Sedan bestämmer de om de observerade uppgifterna faller utanför intervallet av värden som förutses av nollhypotesen.,
om du redan vet vilka typer av variabler du har att göra med kan du använda flödesschemat för att välja rätt statistiskt test för dina data.
statistiska tester flödesschema
vad gör ett statistiskt test?
statistiska tester fungerar genom att beräkna en teststatistik – ett tal som beskriver hur mycket förhållandet mellan variabler i ditt test skiljer sig från nollhypotesen om inget förhållande.
det beräknar sedan ett p-värde (sannolikhetsvärde)., P-värdet uppskattar hur troligt det är att du skulle se skillnaden som beskrivs av teststatistiken om nollhypotesen om inget förhållande var sant.
om värdet av teststatistiken är mer extrem än den statistik som beräknas från nollhypotesen, kan du dra slutsatsen ett statistiskt signifikant förhållande mellan prediktorn och utfallsvariablerna.
om värdet av teststatistiken är mindre extremt än det som beräknas från nollhypotesen, kan du inte dra några statistiskt signifikanta samband mellan prediktorn och utfallsvariablerna.,
när du ska utföra ett statistiskt test
Du kan utföra statistiska tester på data som har samlats in på ett statistiskt giltigt sätt – antingen genom ett experiment eller genom observationer som gjorts med hjälp av sannolikhetsprovtagningsmetoder.
för att ett statistiskt test ska vara giltigt måste din provstorlek vara tillräckligt stor för att approximera den sanna fördelningen av befolkningen som studeras.
för att bestämma vilket statistiskt test som ska användas måste du veta:
- om dina data uppfyller vissa antaganden.
- de typer av variabler som du har att göra med.,
statistiska antaganden
statistiska tester gör några vanliga antaganden om de data som de testar:
- oberoende av observationer (aka ingen autokorrelation): de observationer / variabler du inkluderar i ditt test är inte relaterade (till exempel är flera mätningar av ett enda testämne inte oberoende, medan mätningar av flera olika försökspersoner är oberoende).
- homogenitet av varians: variansen inom varje grupp som jämförs är likartad bland alla grupper., Om en grupp har mycket mer variation än andra, kommer det att begränsa testets effektivitet.
- normalitet av data: data följer en normal fördelning (Alias en klockkurva). Detta antagande gäller endast kvantitativa uppgifter.
om dina data inte uppfyller antagandena om normalitet eller homogenitet av varians kan du kanske utföra ett icke-parametriskt statistiskt test, vilket gör att du kan göra jämförelser utan några antaganden om datadistributionen.,
om dina data inte uppfyller antagandet om oberoende observationer, kanske du kan använda ett test som står för struktur i dina data (upprepade tester eller tester som inkluderar blockeringsvariabler).
typer av variabler
de typer av variabler du har bestämmer vanligtvis vilken typ av statistiskt test du kan använda.
kvantitativa variabler representerar mängder av saker (t.ex. antalet träd i en skog). Typer av kvantitativa variabler inkluderar:
kategoriska variabler representerar grupperingar av saker (t.ex. de olika trädslagen i en skog)., Typer av kategoriska variabler inkluderar:
Välj testet som passar de typer av prediktor och resultatvariabler du har samlat in (om du gör ett experiment är det de oberoende och beroende variablerna). Se tabellerna nedan för att se vilket test som bäst matchar dina variabler.
välja ett parametriskt test: regression, Jämförelse eller korrelation
parametriska tester har vanligtvis strängare krav än icke-parametriska tester, och kan göra starkare slutsatser från data. De kan endast utföras med data som följer de gemensamma antagandena för statistiska tester.,
de vanligaste typerna av parametriska test inkluderar regressionstester, jämförelsetester och korrelationstester.
regressionstester
regressionstester används för att testa orsaks-och effektförhållanden. De letar efter effekten av en eller flera kontinuerliga variabler på en annan variabel.,
| variabel prediktor | Resultatvariabel | exempel på forskningsfrågor | |
|---|---|---|---|
| enkel linjär regression |
|
|
vad är effekten av intäkter på livslängden?, |
| multipel linjär regression |
|
|
vad är effekten av inkomst och minuter av motion per dag på livslängd? |
| logistisk regression |
|
|
vad är effekten av läkemedelsdosering på överlevnaden av ett testämne?, |
jämförelsetester
jämförelsetester letar efter skillnader mellan grupporgan. De kan användas för att testa effekten av en kategorisk variabel på medelvärdet av någon annan egenskap.
t-test används vid jämförelse av medel för exakt två grupper (t.ex. män och kvinnors genomsnittliga höjder). ANOVA och manova tester används när man jämför medel för mer än två grupper (t.ex. de genomsnittliga höjderna för barn, tonåringar och vuxna).,
| variabel prediktor | Resultatvariabel | exempel på forskningsfrågor | |
|---|---|---|---|
| parat t-test |
|
|
vad är effekten av två olika test prep program på den genomsnittliga examen poäng för studenter från samma klass?, |
| oberoende t-test |
|
|
vad är skillnaden i genomsnittliga provresultat för studenter från två olika skolor? |
| ANOVA |
|
|
vad är skillnaden i genomsnittliga smärtnivåer bland post-kirurgiska patienter som ges tre olika smärtstillande medel?, |
| MANOVA |
|
|
vad är effekten av blomarter på kronbladslängd, kronbladsbredd och stamlängd? |
Korrelationstester
Korrelationstester kontrollerar om två variabler är relaterade utan att man antar orsakssamband.
dessa kan användas för att testa om två variabler som du vill använda i (till exempel) ett multipelregressionstest är autokorrelerade.,
| Predictor variable | Outcome variable | Research question example | |
|---|---|---|---|
| Pearson’s r | Continuous | Continuous | How are latitude and temperature related?, |
välja ett icke-parametriskt test
icke-parametriska tester gör inte så många antaganden om data, och är användbara när en eller flera av de gemensamma statistiska antagandena bryts. De slutsatser de gör är dock inte lika starka som med parametriska test.,h>Wilcoxon Rank-Sum test
- kategorisk
- 2 grupper
- kvantitativ
- grupper kommer från olika populationer
- kategorisk
- 2 grupper
- kvantitativ
- grupper kommer från samma population
flowchart: välja ett statistiskt test
denna flödesschema hjälper dig att välja bland parametriska test., För icke-parametriska alternativ, kontrollera tabellen ovan.
Vanliga frågor om statistiska tester
statistiska tester förutsätter ofta att:
- data distribueras normalt
- de grupper som jämförs har liknande varians
- data är oberoende
om dina data inte uppfyller dessa antaganden kan du fortfarande använda ett icke-parametriskt statistiskt test, som har färre krav men också göra svagare slutsatser.,
en teststatistik är ett tal som beräknas genom ett statistiskt test. Den beskriver hur långt dina observerade data är från nollhypotesen om inget samband mellan variabler eller ingen skillnad mellan provgrupper.
teststatistiken berättar hur olika två eller flera grupper är från den totala populationen, eller hur olika en linjär lutning är från lutningen som förutspås av en nollhypotes. Olika teststatistik används i olika statistiska tester.
statistisk signifikans är en term som används av forskare för att ange att det är osannolikt att deras observationer kunde ha inträffat under nollhypotesen av ett statistiskt test. Betydelsen betecknas vanligtvis med ett p-värde eller sannolikhetsvärde.
statistisk signifikans är godtycklig – det beror på tröskeln eller alfavärdet, valt av forskaren. Den vanligaste tröskeln är p < 0.05, vilket innebär att uppgifter som sannolikt kommer att inträffa mindre än 5% av tiden under nollhypotesen.,
När p-värdet faller under det valda alfavärdet, säger vi att resultatet av testet är statistiskt signifikant.
kvantitativa variabler är alla variabler där uppgifterna representerar mängder (t.ex. höjd, vikt eller ålder).
kategoriska variabler är variabler där data representerar grupper. Detta inkluderar ranking (t.ex. efterbehandling platser i en tävling), klassificeringar (t. ex. märken av spannmål), och binära utfall (t. ex. mynt flips).,
du behöver veta vilken typ av variabler du arbetar med för att välja rätt statistiskt test för dina data och tolka dina resultat.
diskreta och kontinuerliga variabler är två typer av kvantitativa variabler:
- diskreta variabler representerar antal (t.ex. antalet objekt i en samling).
- kontinuerliga variabler representerar mätbara mängder (t.ex. vattenvolym eller vikt).
