Trong nghiên cứu khoa học, thống kê được coi là “ngôn ngữ thứ 2” cho phép người nghiên cứu đưa ra các kết luận có giá trị. Đảm bảo tính khách quan của nghiên cứu. Trong nghiên cứu khoa học ứng dụng, vai trò của thống kê được thể hiện qua mô tả, so sánh và liên hệ dữ liệu. Trong bài viết này, Luận Văn 2S xin được chia sẻ đến bạn đọc phương pháp so sánh dữ liệu thông qua kiểm định T-Test.Bạn đang xem: T-statistic là gì

T-Test là gì?

Phương pháp kiểm định T-Test (kiểm định sự khác biệt) được sử dụng trong kiểm định sự khác biệt về giá trị trung bình của tổng thể với một giá trị cho trước, hoặc kiểm định sự khác biệt về giá trị trung bình giữa hai tổng thể. Khi sử dụng phần mềm thống kê, chúng ta sử dụng cách tiếp cận mức ý nghĩa quan sát (Sig) để chấp nhận hoặc bác bỏ giả thuyết ban đầu. Trong phần mềm SPSS, ta sẽ loại bỏ giả thuyết ban đầu khi kiểm nghiệm cho ta chỉ số Sig. nhỏ hơn mức ý nghĩa α = 5% (mặc định ở các phần mềm thống kê).

Đang xem: T

*

Trong thống kê, T-Test được chia thành 3 loại thông dụng, bao gồm:

One-Sample T-Test
Independent Samples T-Test
Paired Sample T-Test

3 loại T-Test trong thống kê và mục đích sử dụng của từng loại

One-Sample T-Test: Dùng để so sánh giá trị trung bình của một tổng thể với một giá trị cụ thể nào đó. Chẳng hạn như kiểm tra xem chiều cao trung bình của đội tuyển bóng đá nam U22 Việt Nam là cao hơn, thấp hơn hay bằng với mức 1,8 mét; Điểm trung bình môn Triết học của sinh viên trong lớp là cao hơn, thấp hơn hay bằng 7 điểm…Independent Samples T-Test: là một thử nghiệm thống kê kiểm định xem có sự khác biệt có ý nghĩa thống kê giữa các phương tiện trong hai nhóm thống kê không liên quan hay không. Ví dụ, ta có 2 nhóm giá trị là nhóm độ tuổi (dưới 30 tuổi; trên 30 tuổi) và biến mức độ hài lòng. Để biết được giữa hai nhóm này, nhóm nào có mức độ hài lòng cao hơn ta sẽ dùng phương pháp kiểm định Independent Samples T-Test.Paired Sample T-Test: Phương pháp paired samples t-test được sử dụng cho mục đích so sánh sự biến đổi từng cặp giá trị trước khi và sau khi có một tác động gì đó (so sánh xem trước và sau có sự khác biệt hay không). Một ví dụ minh họa cho kiểm định này là: Một công ty áp dụng mức KPI (chỉ số đo lường và đánh giá hiệu quả hoạt động) cho một bộ phận trong công ty để thử nghiệm sự khác biệt mức độ hài lòng của nhân viên giữa chính sách mới và chính sách cũ.

Kiểm định One-Sample T-Test

Trong phần này, chúng ta sẽ đi sâu vào thực hiện và phân tích kết quả kiểm định One-Sample T-Test dựa trên ví dụ cụ thể: Ta có giả thiết, chiều cao trung bình của người trưởng thành từ 20 tuổi trở lên là khoảng 66,5 inch (69,3 inch đối với nam, 63,8 inch đối với nữ). Ta sẽ kiểm tra xem khẳng định này có phù hợp với mức ý nghĩa là 5% hay không?

Phát biểu giả thuyết thống kê:

Ho: 66,5 = Chiều cao trung bình (“chiều cao trung bình của người trưởng thành bằng 66,5inch)

H1: 66,5 ≠ Chiều cao trung bình (“chiều cao trung bình của người trưởng thành không bằng 66,5inch)

Các bước thực hiện kiểm định One-Sample T-Test trong SPSS

Bước 1: Trên thanh công cụ phần mềm SPSS, chọn Analyze > Compare Means > One-Sample T Test.

Bước 2: Cửa sổ One-Sample T Test mở ra, sau đó, bạn sẽ chỉ định các biến sử dụng trong phân tích ở cột phía bên trái và di chuyển đến khu vực Test Variable(s) bằng cách chọn và nhấn vào nút mũi tên. (Ở trong ví dụ này, chúng ta chọn chiều cao – Height). Tại Test Value điền giá trị 66,5.

*

Bước 3: Bấm vào nút Options để mở ra một cửa sổ mới, nhập vào độ tin cậy là 95, sau đó bấm Continue để tiếp tục trở về cửa sổ trước và bấm OK để nhận kết quả.

*

Bước 4: Đọc và phân tích kết quả

Sau khi hoàn thành bước 3, ta sẽ được kết quả như sau:

Từ số liệu bảng One-Sample Statistic, ta có:

*

Trung bình biến T1 là 68.032Độ lệch chuẩn là 5.326Giả thiết không “Test Value = 66,5″Giá trị t = 5.810.Khoảng tin cậy cho độ chênh lệch giữa trung bình tổng thể của Height và 66,5 là 1,0135 ; 2.0501.Giá trị p-value (Sig. (2-tailed)) là 0.000

=> Bác bỏ giả thiết Ho ở mức ý nghĩa 5% và chấp nhận giả thiết H1

Kết luận: Vì p

Kiểm định Independent-Samples T-Test

Ví dụ: Chúng ta đang có báo cáo từ các sinh viên về thời gian trung bình của họ để chạy một dặm, và liệu họ có phải là một vận động viên hay không. Giả sử chúng ta muốn biết liệu thời gian trung bình để chạy một dặm có khác nhau đối với vận động viên so với người không phải vận động viên hay không. Hãy sử dụng kiểm định Independent-Samples T-Test để so sánh thời gian chạy một dặm trung bình giữa các vận động viên và không phải vận động viên.

Chúng ta sẽ sử dụng 2 hai biến: Athlete và Mile
Min
Dur.

Biến độc lập: Biến vận động viên (Athlete) có các giá trị là “0” (không phải vận động viên) hoặc “1” (vận động viên).Biến phụ thuộc: Biến thời gian (Mile
Min
Dur)

*

Dữ liệu biến Athlete và Mile
Min
Dur trong SPSS

Phát biểu giả thuyết thống kê:

Ho: Không phải vận động viên – Vận động viên thể thao = 0

H1 : Không phải vận động viên – Vận động viên ≠ 0

Các bước thực hiện kiểm định Independent-Samples T-Test trong SPSS

Bước 1: Trên thanh công cụ phần mềm SPSS, chọnAnalyze > Compare Means > Independent-samples T-test

Bước 2: Cửa sổ Independent-Samples T Test mở ra, bạn sẽ chỉ định các biến sử dụng trong phân tích ở cột phía bên trái và di chuyển đến khu vực Grouping Variable hoặc Test Variable(s) bằng cách chọn và nhấn vào nút mũi tên. Trong đó Grouping Variable là biến phụ thuộc. Trong ví dụ này là biến thời gian – Mile
Min
Dur; Test Variable(s) là biến độc lập – Athlete.

Bước 4: Chọn Define Groups… để nhập mã số của 2 nhóm (nhập giá trị 0 và 1). Click Continue để trở lại hộp thoại chính > Ok để thực hiện lệnh.

Phân tích kiểm định Levene: giá trị Sig. trong kiểm định Levene (kiểm định F) ở ví dụ này phương sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed. (Ngược lại nếu Sig. > 0.05 ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed) => bác bỏ giả thuyết Ho, kết luận rằng phương sai trong thời gian dặm của vận động viên khác biệt đáng kể so với người không phải vận động viên.Phân tích Independent-samples T-test: Ta có, chỉ số Sig. (2-tailed) bác bỏ giả thuyết Ho, thời gian dặm trung bình của vận động viên và người không vận động viên là khác nhau đáng kể.

Kết luận:

Có sự khác biệt đáng kể về thời gian dặm trung bình giữa người không phải vận động viên và vận động viên ( t 315.846 = 15.047, p

Thời gian dặm trung bình cho vận động viên là 2 phút và 14 giây nhanh hơn thời gian dặm trung bình cho người không phải vận động viên.

Kiểm định Paired-Samples T-Test

Giả sử ta có ví dụ: Hãy kiểm định giả thuyết “Đánh giá của người dùng về Tính thời sự cập nhật và tính xác thực thông tin của báo Sài Gòn tiếp thị là như nhau”.

Phát biểu giả thuyết thống kê:

Ho: “Trung bình tổng thể của Tính thời sự cập nhật và tính xác thực thông tin là như nhau”.

Các bước thực hiện kiểm định Paired-Samples T-Test trong SPSS

Bước 1: Trên thanh công cụ phần mềm SPSS, chọn Analyze > Compare Means > Paired Samples T-Test.

Bước 2: Cửa sổ Paired-Samples T Test mở ra, bạn sẽ chỉ định 2 biến muốn kiểm định trị trung bình ở cột phía bên trái và di chuyển đến khu vực Paired Variables bằng cách chọn và nhấn vào nút mũi tên.

Bước 3: Bấm vào nút Options để mở ra một cửa sổ mới, nhập vào độ tin cậy là 95, sau đó bấm Continue để tiếp tục trở về cửa sổ trước và bấm OK để nhận kết quả.

Ta có Sig. (2-tailed) = 0.668 > α = 0.05 => chấpone nhận giả thuyết Ho, tức là Trung bình tổng thể của Tính thời sự cập nhật và tính xác thực thông tin là như nhau.

Trên đây, Luận Văn 2s đã chia sẻ đến bạn đọc tất cả các kiến thức liên quan đến T-Test cũng như hướng dẫn cách kiểm định 3 loại T-Test trong SPSS. Mong rằng bài viết này sẽ hữu ích đối với bạn. Ngoài ra, nếu trong thực hành gặp phải bất kì vấn đề gì, bạn hãy liên hệ ngay với dịch vụHỗ trợ phân tích định lượng, xử lý số liệu SPSS của chúng tôi nhé!

Bạn đang xem: T-Statistic Là Gì : Thống Kê Kiểm Định Là Gì? Giải Thích Ý Nghĩa Của T tại dautri.mobi

Đây là bản dịch tiếng Việt của tôi về một bài báo rất hay giảng giải ý nghĩa của phương pháp rà soát t (hay phương pháp t-test – trong bài viết tôi chỉ gọi là t-test cho ngắn gọn) của tác giả Patrick Runkel. Bài báo gốc bằng tiếng Anh có tiêu đề đầy đủ là “Rà soát t là gì? Và vì sao nó giống như nói với một đứa trẻ để quét dọn cái lộn xộn đó trong nhà bếp?”Và bạn có thể đọc bài gốc tại đây.

Đang xem: Thống kê T là gì

Phương pháp rà soát t là một trong những thứ tự được sử dụng phổ thông nhất trong khoa học thống kê.

Nhưng ngay cả những người sử dụng t-test thường xuyên cũng ko biết xác thực phương pháp này hoạt động như thế nào vì tất cả dữ liệu được xử lý sau bức màn của ứng dụng thống kê chẳng hạn. như Minitab.

Xem thêm: Mất srs universal audio processing object, mất srs premium sound sau khi cài win 7

Và bạn cũng nên dành một tí thời kì để xem thử nghiệm t hoạt động như thế nào đằng sau bức màn đó.

Bởi vì nếu bạn hiểu hình thức hoạt động của phương pháp t-test, bạn có thể hiểu sâu hơn về dữ liệu của mình dựa trên kết quả nhưng t-test mang lại. Và bạn cũng hiểu sâu hơn về lý do vì sao kết quả nghiên cứu của bạn đạt (hoặc ko đạt) “ý nghĩa thống kê”.

Trên thực tiễn, nếu bạn có một thanh thiếu niên thích chơi hơn làm việc nhà, cứng cáp bạn đã có một trải nghiệm tương tự như các nguyên tắc cơ bản đằng sau bài rà soát t.

Phẫu thuật của bài rà soát t

Phương pháp kiểm định t thường được sử dụng để xác định xem trị giá trung bình của một tổng thể có khác với một trị giá nào đó hay ko (được gọi là trị giá trung bình giả thiết). trị giá trung bình giả thuyết) hoặc với trị giá trung bình của một quần thể khác.

Ví dụ, phương pháp 1-thử nghiệm t mẫu (hoặc t-test đơn mẫu) được sử dụng để rà soát xem liệu thời kì kì vọng trung bình của bệnh nhân tại phòng khám y tế có lâu hơn thời kì mong muốn là 15 phút hay ko, dựa trên dữ liệu từ một nhóm bệnh nhân tình cờ.

Để xác định xem sự khác lạ (giữa thời kì chờ thực tiễn và mong muốn) có ý nghĩa thống kê hay ko, phương pháp t-test sẽ tính toán một trị giá gọi là t-value (p-value-value cũng được tính trực tiếp từ t-value). Trị giá này được tính như sau:

t = frac {ar {x} – mu _ {0}} {frac {s} {sqrt {n}}}

Công thức toán học này trông có vẻ khó hiểu, nhưng bạn thực sự có thể làm chủ nó nếu bạn hiểu hai động lực quan trọng đằng sau nó: tử số (ở trên cùng) và mẫu số (ở trên cùng). phía dưới).

Phần tử số là Tín hiệu

Phần tử số trong công thức rà soát t 1 mẫu đo cường độ tín hiệu (tín hiệu): sự khác lạ giữa trị giá trung bình của mẫu dữ liệu của bạn (ar {x}) và dân số giả thuyết có tức là (mu_ {0}).

*

Quay trở lại với ví dụ về thời kì kì vọng của bệnh nhân, trung bình giả thiết là 15 phút.

Nếu bệnh nhân trong mẫu tình cờ của bạn có thời kì chờ trung bình là 15,1 phút, tín hiệu bằng 15,1 – 15 = 0,1 phút. Sự khác lạ này là tương đối nhỏ, vì vậy tín hiệu trong phần tử kỹ thuật số là nhu nhược.

Tuy nhiên, nếu thời kì kì vọng của bệnh nhân trung bình là 68 phút thì sự chênh lệch sẽ lớn hơn và bằng 68-15 = 53 phút. Do đó, tín hiệu sẽ mạnh hơn.

Phần mẫu số là Tiếng ồn

Phần mẫu số đo lượng dao động hoặc “nhiễu” trong mẫu dữ liệu của bạn.

*

Tín hiệu

*

Trong biểu đồ bên phải của hình trên, sự khác lạ giữa trị giá trung bình của dữ liệu ar {x} và trung bình giả thiết mu_ {0} là 16 phút. Nhưng do dữ liệu trong mẫu được dàn trải nên sự khác lạ này ko có ý nghĩa thống kê. Vì sao vậy? Bởi vì t – trị giá – tỉ lệ tín hiệu trên nhiễu – tương đối nhỏ do mẫu số lớn.

Tuy nhiên, nếu tín hiệu mạnh so với nhiễu, kích thước (tuyệt đối) của trị giá t sẽ lớn hơn. Do đó, sự khác lạ giữa ar {x}mu_ {0} sẽ có nhiều khả năng có ý nghĩa về mặt thống kê.

*

Trong hình trên, sự khác lạ giữa ar {x}mu_ {0} Ngoài ra 16 phút. Kích thước dữ liệu cũng bằng nhau. Nhưng lần này, các điểm dữ liệu tập trung lại gần nhau hơn. Vì dữ liệu ít biến động hơn, sự khác lạ trong 16 phút hiện có ý nghĩa thống kê.

Thông báo ý nghĩa thống kê

Phương pháp rà soát t như yêu cầu con bạn quét dọn nhà bếp là gì?

Nếu thanh thiếu niên của bạn đang nghe nhạc, chơi trò chơi điện tử, nhắn tin cho bạn hữu hoặc bị phân tâm bởi các nguồn “tiếng ồn” khác, bạn cần nói to hơn và to hơn để đạt được mức độ “có ý nghĩa”. “Hoặc nếu bạn có thể loại trừ các nguồn ồn ĩ, bạn ko cần phải nói chuyện ồn ĩ với thiếu niên của mình.

Tương tự, nếu kiểm định t của bạn ko đạt được ý nghĩa thống kê, có thể là do một trong những lý do sau:

Sự khác lạ (tín hiệu) ko đủ lớn. Bạn ko thể làm gì nhiều nếu điều này xảy ra, giả sử rằng nghiên cứu của bạn sử dụng các phương pháp thích hợp và các mẫu dữ liệu bạn tích lũy là đại diện cho dân số.Biến động dữ liệu (nhiễu) quá lớn. Đây là lý do vì sao việc loại trừ các trị giá ngoại lai trong dữ liệu của bạn là rất quan trọng. Bạn có thể sử dụng biểu đồ kiểm soát để phát hiện và loại trừ các ngoại lệ khỏi dữ liệu trước lúc thực hiện rà soát t.

Mẫu dữ liệu quá nhỏ. Sự dao động sẽ nhỏ hơn nếu kích thước dữ liệu lớn. Điều này có tức là nếu có cùng sự khác lạ và cùng phạm vi trị giá, kích thước dữ liệu càng lớn thì càng có nhiều khả năng đạt được ý nghĩa thống kê – như biểu đồ bên dưới.

Xem thêm: Đồ chơi exciter 2011 zin yamaha, đồ chơi exciter 2011

*

(Điều này giảng giải vì sao cỡ mẫu cực lớn có thể tạo ra ý nghĩa thống kê mặc dù sự khác lạ là rất nhỏ và hoàn toàn ko có tác dụng thực sự.)

Công thức này cũng giảng giải vì sao các nhà thống kê phàn nàn về tiếng nói thỉnh thoảng được sử dụng để kết luận kết quả kiểm định t. Ví dụ: một kết quả rà soát t ko mong muốn sẽ được tuyên bố: “Ko có sự khác lạ đáng kể…”

Nó ko nhất quyết phải…

Thực tiễn là có thể có một sự khác lạ đáng kể. Nhưng có thể do mẫu dữ liệu của bạn quá nhỏ hoặc có thể sự biến thiên của các điểm dữ liệu quá lớn khiến nghiên cứu của bạn ko trình bày ý nghĩa thống kê. Bạn có thể nói một cách an toàn hơn rằng: “Nghiên cứu của chúng tôi ko tìm thấy chứng cớ của một sự khác lạ có ý nghĩa thống kê.

Bạn thấy bài viết T-Statistic Là Gì : Thống Kê Kiểm Định Là Gì? Giải Thích Ý Nghĩa Của T có khắc phục đươc vấn đề bạn tìm hiểu ko?, nếu ko hãy comment góp ý thêm về T-Statistic Là Gì : Thống Kê Kiểm Định Là Gì? Giải Thích Ý Nghĩa Của T bên dưới để dautri.mobi có thể thay đổi & cải thiện nội dung tốt hơn cho độc giả nhé! Cám ơn bạn đã ghé thăm Website Trường THPT Trần Hưng Đạo

Leave a Reply

Your email address will not be published. Required fields are marked *