최상의 답변
1 표본 t- 검정은 다음을 테스트하려는 통계적 절차입니다. 모집단 평균이 상수 값 (고정 번호)과 다릅니다. 예를 들어 한 학교에서 대학원생의 평균 GPA 평균이 3.0인지 테스트하려고합니다. 그들은 하나의 표본 t- 검정을 사용하고 결과를 얻을 수 있습니다.
두 표본 t- 검정은 또한이 두 모집단의 평균이 동일한 지 또는 다른지를 검정하는 데 관심이있는 통계적 절차입니다. 같은 예에서 학교가 과학 전공과 예술 전공의 평균 GPA가 동일한 지 테스트하는 데 관심이 있다면. 그런 다음 두 표본 t- 검정을 사용했을 것입니다.
답변
T- 검정은 두 그룹의 평균 간의 차이가 우연에 의한 것인지 신뢰할 수 있는지에 대한 통찰력을 제공합니다. (즉, 동일한 모집단의 다른 측정에서 다시 발견됩니다). 측정중인 샘플을 설명하는 설명 통계 와 달리 t- 검정은 추론 통계입니다. , 측정중인 샘플을 설명하고 샘플을 채취 한 전체 모집단 에 대한 일반화를 제공합니다.
In 제 작업에서는 일반적으로 A / B 테스트의 결과를 평가할 때 t-test를 사용합니다. 즉, 한 그룹의 사용자에게 제품 기능의 변형이 제공되고 다른 그룹은 동일한 모집단에서 비슷한 크기의 그룹이 제공됩니다. 이 시나리오에서 t- 테스트가 유용한 이유는 두 그룹의 행동 간의 차이 (일부 메트릭의 평균으로 측정 됨)에 대한 통찰력을 제공하기 때문입니다. 일반적으로 수익 또는 유지)는 우연에 기인하거나 지속적으로 발생하는 데 의존 할 수 있습니다. 간단히 말해서 t- 검정을 사용하여 ” 이 두 그룹 간의 ce가 동일한 모집단의 새 샘플에서 동일합니까? “
t- 검정의 결과는 그룹 간의 차이와 그룹 내 차이의 비율을 통해 평가됩니다. 이 비율을 t- 값 이라고합니다. t- 값에는 해당 p- 값 이 있으며, 이는 관찰 된 것이 임의의 데이터에 의해 생성 될 수있는 확률을 나타냅니다. p- 값이 낮을수록 차이가 우연히 발생하지 않으며 실제로 두 그룹의 평균 간의 신뢰할 수있는 차이라는 확신이 더 커집니다. 연구에서 .05 이하의 p- 값은 일반적으로 신뢰할 수있는 (통계적으로 유의미한) 것으로 간주되지만보다 기업가적인 환경에서는 더 높은 p- 값이 허용 될 수 있다고 결정할 수 있습니다. p- 값은 표본 크기에 기반한 t- 값에 해당합니다. 표본 크기가 클수록 (자유도가 높을수록) 동일한 t- 값 (차이 비율)에 대한 p- 값이 낮아집니다.
t- 검정에 대한 대안을 물었고 일부, 그러나 먼저 t- 검정이 위에서 설명한 시나리오에서만 유용하다고 생각하는 경우 t- 검정의 일부 변형을 식별해야한다고 생각합니다. t- 테스트가 위에서 설명한 것처럼 두 샘플 간의 차이의 신뢰도를 측정하는 경우 “ 독립 샘플 t- 테스트라고합니다. 두 가지 다른 경우에 한 샘플 간의 차이에 대한 신뢰도를 측정합니다. “ Paired-Sample t-test라고합니다 (따라서 한 그룹의 사용자를 한 번 측정 한 경우 , 그런 다음 일주일 후에 동일한 그룹을 다시 측정하면 쌍을 이룬 표본 t- 검정을 수행하게됩니다. t- 검정이 하나의 표본과 일부 가상 평균 또는 알려진 모집단 평균 간의 차이를 측정 할 때 (예 : 전체 서비스의 평균 일일 수익에 대한 일부 사용자 샘플의 일일 수익을 의미합니다. “ One-Sample t- 테스트.
t- 검정의 대안으로서 가장 인기있는 것은 비모수 가설 인 Mann-Whitney U 검정입니다. 표본과 모집단의 분포가 정상이 아닐 때 사용하는 것이 좋습니다 (t- 검정에 대한 소프트 요구 사항).