Trong hướng dẫn này, chúng ta sẽ tìm hiểu T-tests trong R. Cùng với đó, chúng ta sẽ học cách thực hiện T-tests trong R và các cách sử dụng khác nhau của nó. Ngoài ra, chúng ta sẽ xem xét các loại T-test khác nhau trong R như One-Sample và Welch T-test, v.v.
Các bài viết liên quan:
Vì vậy, chúng ta hãy bắt đầu hướng dẫn.
T-tests trong Lập trình R là gì?
Kiểm tra T trong R là một trong những kiểm tra phổ biến nhất trong thống kê. Vì vậy, chúng tôi sử dụng nó để xác định xem phương tiện của hai nhóm có bằng nhau hay không. Giả thiết cho phép thử là cả hai nhóm đều được lấy mẫu từ các phân phối chuẩn với phương sai bằng nhau. Giả thuyết vô hiệu là hai phương tiện bằng nhau và phương án thay thế là chúng không bằng nhau. Được biết rằng với giả thuyết rỗng, chúng ta có thể tính toán thống kê t tuân theo phân phối t với n1 + n2 – 2 bậc tự do .
Phép thử T của Welch là một sửa đổi của người dùng đối với phép thử T nhằm điều chỉnh số bậc tự do khi các phương sai được cho là không bằng nhau.
Xem thêm Sử dụng T-Test trong SAS
Chúng tôi sử dụng t.test () cung cấp nhiều bài kiểm tra T:
# thử nghiệm T-test 2 nhóm độc lập
t.test (y ~ x) # trong đó y là số và x là hệ số nhị phân
# thử nghiệm T-test 2 nhóm độc lập
t.test (y1, y2) # trong đó y1 và y2 là số
# được paired T-test
t.test (y1, y2, được paired = TRUE) # trong đó y1 & y2 là số
# One-Sample T-test
t.test (y, mu = 3) # Ho: mu = 3
Hiểu mọi thứ về các chức năng của yếu tố R
Làm thế nào để thực hiện kiểm tra T trong R?
Chúng ta có thể sử dụng tùy chọn var.equal = TRUE để chỉ định các phương sai bằng nhau và ước tính phương sai tổng hợp.
One-Sample
Trong R, chúng tôi sử dụng cú pháp t.test (y, mu = 0) để thực hiện kiểm tra One-Sample trong R, trong đó
- x: là tên của biến quan tâm của chúng tôi và
- mu: mu, được mô tả bởi giả thuyết rỗng được đặt bằng giá trị trung bình.
Ví dụ :
Nếu chúng tôi muốn kiểm tra xem khối lượng của một lô hàng gỗ có nhỏ hơn bình thường hay không ( μ 0 = 37000 feet khối ), chúng tôi sẽ chạy:
set.seed(0) ship_vol <- c(rnorm(75, mean = 37000, sd = 2500)) t.test(ship_vol, mu = 39000)
Đầu ra:
Paired Sample
Chúng ta cần một trong hai vectơ dữ liệu, y1 và y2, để tiến hành kiểm tra các mẫu được paired. Sau đó, chúng tôi sẽ chạy mã này bằng cách sử dụng cú pháp t.test (y1, y2, paired = TRUE).
Ví dụ, giả sử chúng tôi làm việc tại một phòng khám sức khỏe lớn và chúng tôi đang thử nghiệm một loại thuốc mới, Procardia, có tác dụng làm giảm chứng tăng huyết áp. Chúng tôi tìm thấy 13000 người có huyết áp tâm thu cao (x¯ = 150 mmHg, SD = 10 mmHg) và chúng tôi cung cấp Procardia cho họ trong một tháng, sau đó đo lại huyết áp của họ. Chúng tôi thấy rằng huyết áp tâm thu trung bình đã giảm xuống còn 144 mmHg với độ lệch chuẩn là 9 mmHg.
Xem thêm Lập trình SAS là gì? – 7 tính năng SAS độc đáo
Ở đây, chúng tôi sẽ tiến hành kiểm tra T bằng cách sử dụng :
set.seed(2820) pre_Treatment <- c(rnorm(2000, mean = 150, sd = 10)) post_Treatment <- c(rnorm(2000, mean = 144, sd = 9)) t.test(pre_Treatment, post_Treatment, paired = TRUE)
Đầu ra:
Một lần nữa, chúng tôi thấy rằng có sự khác biệt có ý nghĩa thống kê về phương tiện:
t = 20,789, p-value <2,2e-16
Đừng quên kiểm tra Phân tích dự đoán và mô tả trong R
Independent Samples
Kiểm tra Independent Samples có thể có một trong ba dạng, tùy thuộc vào cấu trúc dữ liệu của bạn và sự bình đẳng của các phương sai của chúng. Dạng tổng quát của bài kiểm tra là t.test (y1, y2, được paired = FALSE) . Theo mặc định, R giả định rằng các phương sai của y1 và y2 là không bằng nhau, do đó, mặc định là phép thử của Welch. Để chuyển đổi điều này, chúng tôi sử dụng cờ, var.equal = TRUE .
Trong ba ví dụ được hiển thị ở đây, chúng tôi sẽ kiểm tra giả thuyết trong đó người dân Clevelanders và người New York chi tiêu số tiền khác nhau để đi ăn bên ngoài hàng tháng.
Thử nghiệm T-Independent Samples trong đó y1 và y2 là số :
set.seed(0) Spenders_Cleve <- rnorm(60, mean = 350, sd = 77) Spenders_NY <- rnorm(60, mean = 400, sd = 80) t.test(Spenders_Cleve, Spenders_NY, var.equal = TRUE)
Đầu ra:
Trong đó y1 là số và y2 là nhị phân :
Amount_Spent <- c(Spenders_Cleve, Spenders_NY)
city_name <- c(rep("Cleveland", 60), rep("New York", 60))
t.test(Amount_Spent ~ city_name, var.equal = TRUE)Đầu ra:
Với các phương sai bằng nhau không được giả định :
t.test(Spenders_Cleve, Spenders_NY, var.equal = FALSE)
Đầu ra:
Trong mỗi trường hợp, chúng tôi thấy rằng các kết quả thực sự không khác biệt đáng kể: dữ liệu mô phỏng của chúng tôi cho thấy rằng trong mọi trường hợp, người New York tiêu nhiều tiền hơn ở nhà hàng mỗi tháng so với người Clevelanders. Tuy nhiên, nếu bạn muốn kiểm tra sự bình đẳng của các phương sai trong dữ liệu của mình trước khi chạy thử nghiệm T-test Independent Samples, R cung cấp một cách dễ dàng để làm điều đó với hàm var.test ():
var.test(Spenders_Cleve, Spenders_NY)
Đầu ra:
Xem thêm Concatenate( nối ) dữ liệu trong SAS
Lý do đằng sau việc sử dụng T-tests trong R
Tại sao chúng tôi sử dụng T-test trong R?
Nó là một phân tích của hai quần thể có nghĩa là sử dụng kiểm tra thống kê. Đây là một loại thử nghiệm T với hai mẫu được sử dụng với kích thước mẫu nhỏ. Và, kiểm tra sự khác biệt giữa các mẫu khi không biết phương sai của hai phân phối chuẩn.
Welch’s T-test dùng để làm gì?
Trong thống kê, chúng tôi sử dụng phép thử T của Welch, là một bài kiểm tra vị trí gồm hai mẫu. Chúng tôi sử dụng nó để kiểm tra giả thuyết sao cho hai quần thể có giá trị bằng nhau. Bài kiểm tra của Welch, một sự chuyển thể của bài kiểm tra T của Học sinh, mạnh mẽ hơn nhiều so với bài kiểm tra sau này. Đáng tin cậy hơn khi hai mẫu có phương sai không bằng nhau và cỡ mẫu không bằng nhau.
Tại sao chúng tôi sử dụng thử nghiệm T One-Sample?
Chúng tôi chỉ sử dụng nó cho các thử nghiệm về giá trị trung bình của mẫu.
Tại sao chúng tôi sử dụng T-test để nghiên cứu?
Chúng tôi sử dụng PowerPoint trong các bài kiểm tra T được tạo ra để sử dụng. Kiểm tra T là một loại thống kê dạng suy luận. Chúng tôi sử dụng nó để xác định xem có sự khác biệt giữa phương tiện của hai nhóm hay không. Với việc triển khai thống kê suy luận, chúng tôi giả sử biến phụ thuộc phù hợp với phân phối chuẩn.
Kết luận về T-test trong R
Chúng ta đã tìm hiểu về khái niệm T-test trong R. Chúng ta đã thảo luận về cách thực hiện các T-test khác nhau trong R cùng với các cách sử dụng khác nhau của nó trong R. Hy vọng bạn đã hiểu về T-test độc lập, T-test mẫu được paired và One-Sample thử nghiệm T trong R.
Xem thêm NumPy Broadcasting
