t-test för ett och två stickprov

Efter den här lektionen kommer du att kunna välja rätt typ av t-test (ett stickprov, oberoende två stickprov eller parvist test), beräkna teststatistikan och tolka resultatet utifrån frihetsgrader och p-värde.

Vad är ett t-test och en-stickprovs t-test?

Ett t-test är en parametrisk hypotesprövning som används för att jämföra medelvärden när populationens standardavvikelse (σ) är okänd och måste uppskattas från stickprovet med s.

Ett en-stickprovs t-test (one-sample t-test) används för att undersöka om medelvärdet i ett enskilt stickprov (x̄) skiljer sig signifikant från ett känt eller teoretiskt populationsmedelvärde (μ0).

Teststatistika t beräknas som:

t = (x̄ − μ0) / SE

där SE (medelfel) är:

SE = s / √n

Här är:

• x̄ = stickprovet medelvärde
• μ0 = hypotetiskt medelvärde enligt nollhypotesen (H0)
• s = stickprovets standardavvikelse
• n = antalet observationer

Frihetsgrader (df):

För ett en-stickprovs t-test tärs en frihetsgrad när vi skattar s från data, vilket ger df = n − 1. Frihetsgraderna styr t-fördelningens form: vid låga df har t-fördelningen tjockare svansar än standardnormalfördelningen, men när n växer närmar sig t-fördelningen z-fördelningen.

Oberoende två-stickprovs t-test

När du vill jämföra medelvärden från två helt oberoende grupper (t.ex. kontrollgrupp vs. behandlingsgrupp, eller män vs. kvinnor) använder du ett oberoende två-stickprovs t-test.

Hypoteser:

• H0: μ1 = μ2 (det finns ingen skillnad mellan gruppernas medelvärden)
• H1: μ1 ≠ μ2 (det finns en skillnad)

Teststatistika t:

t = (x̄1 − x̄2) / SE(x̄1 − x̄2)

Om vi antar att de två populationerna har lika varianser (homogenitet i varians) beräknas en sammanvägd (pooled) varians s_p². Frihetsgraderna blir då:

df = n1 + n2 − 2

Om varianserna i grupperna är avsevärt olika används i stället Welchs t-test, vilket justerar frihetsgraderna nedåt för att ge en mer korrekt och försiktig p-värdesberäkning.

Parvist t-test (Beroende stickprov)

Ett parvist t-test (paired t-test) används när observationerna i de två grupperna beror på varandra. Det vanligaste fallet är före-och-efter-mätningar på samma individer, eller matchade par (t.ex. tvillingar).

Metod:

1. För varje par i beräknar du differensen: d_i = x1_i − x2_i.

2. Beräkna medelvärdet av differenserna (d̄) och differensernas standardavvikelse (s_d).

3. Testet reduceras nu till ett en-stickprovs t-test på differenserna!

Teststatistika:

t = d̄ / (s_d / √n_par)

Frihetsgrader:

df = n_par − 1, där n_par är antalet par.

Fördelen med parvist test är att det eliminerar variation mellan individer. Detta ökar den statistiska styrkan (power) dramatiskt eftersom vi bara analyserar förändringen *inom* varje individ.

Antaganden och tolkning av p-värde

För att slutsatserna från ett t-test ska vara giltiga måste följande antaganden gälla:

1. Skalnivå: Data ska vara kontinuerliga (intervall- eller kvotskala).

2. Oberoende: Observationerna inom stickprovet (och mellan grupper vid oberoende test) ska vara slumpmässiga och oberoende.

3. Normalfördelning: Variablen ska vara ungefär normalfördelad i populationen. Vid stora stickprov (n > 30) reduceras känsligheten för avvikelser från normalfördelning tack vare Centrala gränsvärdessatsen.

4. Lika varianser (Homoskedasticitet): Vid oberoende två-stickprovs t-test antas grupperna ha ungefär lika varians. Om varianserna skiljer sig kraftigt väljs Welchs t-test.

Tolkning av resultat:

När t-värdet har beräknats jämförs det mot ett kritiskt värde från t-tabellen (baserat på valda α och df), eller så beräknas ett p-värde:

• Om p < α (t.ex. 0.05): Förkasta H0. Skillnaden är statistiskt signifikant.
• Om p ≥ α: Förkasta ej H0. Det finns inte tillräckligt stöd för en skillnad.