1.15
Vergleich experimenteller Ergebnisse: t-Test
Der t-Test ist eine statistische Methode, mit der der Stichprobenmittelwert mit einem Populationsmittelwert oder zwei Mittelwerte aus zwei Datensätzen…
Der Einfluss einer Änderung der Methode, der Probe oder des Analytikers auf die Analyseergebnisse wird untersucht, indem nur eines von zwei Experimenten geändert wird.
Der t-Test vergleicht die statistische Signifikanz eines Mittelwerts mit dem Mittelwert eines anderen Mittelwerts oder mit einem bekannten Wert.
In einem t-Test handelt es sich bei nicht gekoppelten Daten um zwei unabhängige Datensätze aus derselben Quelle. Gepaarte Daten sind zwei Sätze verwandter Daten, z. B. zwei Sätze aus zwei verschiedenen Methoden für eine Reihe von Stichproben.
Die Teststatistik wird aus dem ausgewählten Konfidenzintervall für einen bekannten Wert abgeleitet. Im Vergleich zum tabellarischen statistischen Wert des Tests für einen gegebenen Freiheitsgrad auf einem gewählten Signifikanzniveau wird die Nullhypothese akzeptiert, wenn der erste Wert innerhalb des Bereichs des letzteren liegt.
Ein einseitiger Test sucht NUR nach einer Zunahme oder NUR nach einer Abnahme, während ein zweiseitiger Test nach einer Veränderung in eine der beiden Richtungen sucht.
View the full transcript and gain access to JoVE Core videos
Q1: What is the difference between paired and unpaired data in a t-test?
Unpaired data are two independent sets of replicate measurements from the same source, while paired data refer to measurements taken on the same samples from two different methods or at different time points. Paired data allow direct comparison of methods or conditions on identical subjects, whereas unpaired data compare separate groups.
Q2: How does a t-test determine if differences between means are statistically significant?
The t-test calculates a test statistic from the mean, standard deviation, and number of measurements at a selected confidence interval. This statistic is compared to a critical value from a table. If the test statistic is smaller than the critical value, the null hypothesis is accepted, indicating the difference comes from random errors, not systematic causes.
Q3: What does it mean when a t-test rejects the null hypothesis?
When the test statistic exceeds the critical value, the null hypothesis is rejected, indicating the difference between means is statistically significant and cannot be explained by random errors. The difference may arise from systematic error methodological and sampling errors, analyst variation, or true phenomenological differences in the data.
Q4: What is the difference between one-tailed and two-tailed t-tests?
A one-tailed test examines only one side of the normal distribution curve, looking for either an increase or a decrease in a specific direction. A two-tailed test uses both sides of the distribution, testing for any change in either direction. Two-tailed tests are more conservative and commonly used when the direction of difference is unknown.
Q5: How does changing the method, sample, or analyst affect t-test results?
The t-test studies the influence of these variables by altering only one factor in a pair of experiments, isolating its effect on results. By comparing means from experiments with controlled single-variable changes, researchers can determine whether differences are statistically significant or arise from random variation in the measurement process.
Q6: What role does the confidence interval play in calculating the t-test statistic?
The test statistic is derived from the selected confidence interval, which determines the critical value threshold used for comparison. The confidence interval establishes the significance level at which the test operates, influencing whether observed differences are deemed statistically significant or attributable to random measurement error.
Q7: Why is the degree of freedom important when comparing a t-test statistic to critical values?
The degree of freedom determines which critical value table row to use for comparison at a chosen significance level. Different sample sizes produce different degrees of freedom, affecting the threshold for accepting or rejecting the null hypothesis. This ensures the t-test appropriately accounts for sample size when evaluating statistical significance.