13.3
Einführung in den Vorzeichentest
Der Vorzeichentest ist ein wichtiges Werkzeug in der nichtparametrischen Statistik und bietet eine einfache und dennoch effektive Methode zur Analyse…
Der Vorzeichentest ist eine nichtparametrische Methode zur Bewertung von Behauptungen über einfache Zufallsdaten aus übereinstimmenden Paaren, nominalen Daten oder Aussagen bezüglich des Medians der Grundgesamtheit.
Es wandelt Daten auf der Grundlage vorgegebener Annahmen in positive und negative Vorzeichen um und bewertet, ob die Differenz in der Gesamtanzahl der einzelnen Zeichen statistisch signifikant ist.
Die Nullhypothese des Vorzeichentests legt nahe, dass die Merkmale der Grundgesamtheit mit den Behauptungen übereinstimmen, während die Alternativhypothese das Gegenteil nahelegt.
Bei Datensätzen, bei denen die Gesamtzahl der Zeichen 25 nicht überschreitet, entspricht die Teststatistik, die mit x gekennzeichnet ist, der Menge des weniger häufigen Zeichens.
In Fällen, in denen die Gesamtsumme 25 übersteigt, wird die Teststatistik, dargestellt durch z, berechnet.
Für die Ermittlung der kritischen Werte werden spezielle Tabellen verwendet. Die Nullhypothese wird verworfen, wenn der Wert der Teststatistik kleiner oder gleich dem kritischen Wert ist. Andernfalls kann die Nullhypothese nicht zurückgewiesen werden.
View the full transcript and gain access to JoVE Core videos
Q1: What is the sign test and when should you use it?
The sign test is a nonparametric method for evaluating claims about matched pairs, nominal data, or population median assertions. It transforms data into positive and negative signs based on predetermined assumptions and assesses whether the difference in sign counts is statistically significant. This test is particularly valuable when data does not conform to normal distribution requirements.
Q2: How do you assign signs to data in a sign test?
For each pair of observations, compare their values: assign a plus sign if sample A exceeds sample B, a minus sign if sample A is less than sample B, and discard the pair if values are equal. Count the resulting positive and negative signs to proceed with the test. This straightforward approach avoids assumptions about data distribution.
Q3: What is the null hypothesis in a sign test?
The null hypothesis proposes that population characteristics align with the claims being tested, such as no difference in medians between two populations. The alternative hypothesis suggests the opposite. If a predominance of one sign over the other emerges, it may indicate a statistically significant effect contradicting the null hypothesis.
Q4: How does sample size affect the sign test statistic calculation?
For datasets with 25 or fewer observations, the test statistic (x) represents the count of the less frequent sign. For larger datasets exceeding 25 observations, a z-score is computed instead. Both approaches facilitate comparison against critical values from statistical tables to determine significance.
Q5: When do you reject the null hypothesis in a sign test?
The null hypothesis is rejected if the test statistic value is less than or equal to the critical value obtained from statistical tables. If the test statistic exceeds the critical value, there is insufficient evidence to reject the null hypothesis, indicating no statistically significant difference.
Q6: What is a practical example of sign test application?
Researchers might employ the sign test to evaluate pre- and post-treatment effects in a medical study, determining whether treatment correlates with improvement (positive sign) or deterioration (negative sign) in patient outcomes. This application demonstrates how the sign test assesses directional changes without requiring distributional assumptions.
Q7: How does the sign test compare to other nonparametric alternatives?
The sign test offers a simpler approach than alternatives like the wilcoxon signed ranks test for matched pairs, which incorporates magnitude information. The sign test focuses solely on direction of change, making it more robust for ordinal data or when exact values are unreliable, though potentially less powerful statistically.