 |
Dessa WINKS-statistikhandledningar förklarar användningen och tolkningen av statistiska standardmetoder för medicinsk analys, läkemedelsforskning, kliniska prövningar, marknadsföring eller vetenskaplig forskning. Exemplen innehåller instruktioner för WINKS SDA Version 6.0 Software. Ladda ner utvärderingsexemplar av WINKS. |
|---|
En vanlig form av vetenskapligt experimenterande är jämförelsen av två grupper. Denna jämförelse kan vara av två olika behandlingar, en jämförelse mellan en behandling och en kontroll eller en jämförelse före och efter. De preliminära resultaten av experiment som är utformade för att jämföra två grupper sammanfattas vanligtvis i ett medelvärde eller poäng för varje grupp. När du har sammanfattat dessa data, hur avgör du om de observerade skillnaderna mellan de två grupperna är verkliga eller bara en slumpmässig skillnad som orsakas av den naturliga variationen inom mätningarna? Ett vanligt sätt att närma sig den frågan är att utföra en statistisk analys.
De två mest använda statistiska metoderna för att jämföra två grupper, där gruppernas mätningar är normalfördelade, är t-testet för oberoende grupper och t-testet för parade grupper. Vad är skillnaden mellan dessa två test och när bör de användas?
Det oberoende grupp-t-testet är utformat för att jämföra medelvärden mellan två grupper där det finns olika försökspersoner i varje grupp. I idealfallet är dessa försökspersoner slumpmässigt utvalda från en större population av försökspersoner och tilldelade en av två behandlingar. Ett annat sätt att fördela försökspersoner till två grupper är att slumpmässigt fördela dem till en av två behandlingar när de deltar i en studie. Denna randomisering utförs ofta på ett dubbelblint sätt.
Bortsett från normalitetsantagandet är ett annat krav för t-testet för oberoende grupper att varianserna för de två grupperna är lika stora. Det vill säga, om du skulle plotta de observerade data från var och en av de två grupperna skulle de resulterande klockformade histogrammen ha ungefär samma form. Innan man utför det oberoende t-testet för grupper utförs ofta ett statistiskt förtest för att verifiera hypotesen att varianserna är lika stora. Alternativ för fall med ojämna varianser diskuteras senare.
När uppgifterna har samlats in och förutsättningarna för att utföra t-testet är uppfyllda, jämförs medelvärdena för de två grupperna. Matematiken för t-testet kan utföras av ett statistiskt dataanalysprogram som WINKS. Fastställandet av om det finns en statistiskt signifikant skillnad mellan de två medelvärdena rapporteras som ett p-värde. Om p-värdet ligger under en viss nivå (vanligtvis 0,05) är slutsatsen vanligtvis att det finns en skillnad mellan de två gruppernas medelvärden. Ju lägre p-värdet är, desto större är ”beviset” för att de två gruppernas medelvärden är olika. Det är p-värdet som vanligtvis rapporteras i tidskriftsartiklar för att stödja en forskares hypotes om de observerade resultaten för de två grupperna.
Den andra vanliga typen av t-test är det parade t-testet. I det här fallet är försökspersonerna för de två grupperna lika eller matchade. Det vill säga, samma försökspersoner observeras två gånger, ofta med någon intervention mellan mätningarna. En fördel med att använda samma försökspersoner är att den experimentella variabiliteten är mindre än i fallet med oberoende grupper. Forskaren kan till exempel observera vikt eller kolesterolnivåer före och efter en behandling. För detta test observeras och jämförs medeldifferensen mellan de två upprepade observationerna. Om skillnaden är tillräckligt stor finns det bevis för att behandlingen orsakade någon förändring i den observerade variabeln. Ett parat t-test utförs och den observerade skillnaden mellan grupperna sammanfattas i ett p-värde.
Fördelarna med att utföra ett t-test är att det är lätt att förstå och i allmänhet lätt att utföra. Det faktum att dessa tester är så allmänt använda gör dock inte att de är den korrekta analysen för alla jämförelser. Det finns några förbehåll som du bör vara medveten om innan du utför dessa tester. Som tidigare nämnts, till exempel i Independent Group t-testet, om varianserna inte är lika bör en variansstabiliserande transformation eller en modifiering av t-testet utföras vanligtvis Welchs t-test (ett t-test för ojämna varianser.) Denna version av Independent group t-testet tar hänsyn till skillnaderna i varianser och justerar p-värdet i enlighet med detta. Om uppgifterna för något av testerna inte är normalfördelade kan en annan typ av jämförelsetest behöva användas ett icke-parametriskt test. När det gäller oberoende grupper är det icke-parametriska testet vanligen Mann-Whitney-testet. För parade data som inte är normalfördelade används vanligen Wilcoxen signed-rank-testet. Alla dessa tester finns tillgängliga i WINKS.
För övrigt gör forskare ibland misstaget att utföra flera t-test när det finns mer än två grupper i deras forskning. Detta tillvägagångssätt förstör betydelsen av p-värdet och resulterar i felaktiga slutsatser om uppgifterna. I stället för flera t-test finns det andra statistiska metoder för analys av flera grupper, nämligen variansanalysen.
Beslutet om vilket jämförelsetest som ska användas för en viss analys är av avgörande betydelse för att du ska kunna fatta opartiska och korrekta beslut om dina forskningsresultat. Professionella artiklar avvisas ofta när olämpliga tester utförs på forskningsdata. Därför bör du välja dina analyser med omsorg och konsultera en professionell statistiker om du är osäker på vilken typ av analys du ska använda.
VINNER SDA Data Analytics Software Affordable Software for Predictive Analytics in Health, Science, Business, and Government
Free Shipping for a limited time…
Bäst värde för en statistikprogramvara, med början på 75 dollar för nedladdningsversionen. (Mindre för studentutgåvor.)
WINKS
Statistikprogramvara
Pålitlig. Relevant. Prisvärd.
www.texasoft.com
Vi garanterar att WINKS uppfyller dina statistiska behov – eller att du får pengarna tillbaka! (returnera inom 30 dagar för full återbetalning.)
|Tutorial Index |WINKS Software |BeSmartNotes |
Lämna ett svar