Forskel mellem Anova og T-test

Anova vs T-test

En T-test, undertiden kaldet Studentens T-test, udføres, når man vil sammenligne middelene fra to grupper og se, om de er forskellige fra hinanden. Det bruges hovedsageligt, når der gives en tilfældig tildeling, og der kun er to, ikke mere end to sæt, der skal sammenlignes. Ved udførelse af T-testen er nogle betingelser nødvendige for at være opfyldt, så resultaterne giver nøjagtige resultater. De primære antagelser er, at de populationsdata, der skal indsamles, normalt distribueres, og at du sammenligner ens variationer af befolkningen. T-testen har to hovedtyper: Independent Measures T-test og Matched Pair T-test også kendt som Dependent T-test eller Paired T-test.

Når du sammenligner to prøver, der ikke matcher par, eller prøverne er uafhængige, bruges uafhængig T-test. Den anden type, Matchet-par T-test, anvendes imidlertid, når de givne prøver vises parvis. For eksempel skal du måle mellem før og efter sammenligninger. Hvis du har mere end to prøver, skal Anova-testen bruges. Det er muligt at differentiere mere end to midler med hinanden ved at udføre flere T-tests, men der ville være en stor mulighed for at begå en fejl og derfor have en større chance for at komme med et unøjagtigt resultat.

Anova-testen er den populære udtryk for analyse af variation. Det er en teknik, der udføres i analyse af effekter af kategoriske faktorer. Denne test bruges, når der er mere end to grupper. De er stort set ligesom T-tests, men som nævnt ovenfor skal de bruges, når du har mere end to grupper. Anova-test bruger afvigelser for at vide, om midlerne er ens eller ikke. Før du udfører en Anova-test, skal du først opfylde de grundlæggende antagelser. Den første antagelse er, at hver prøve, der skal bruges, vælges uafhængigt og er tilfældig. For det andet skal du antage, at den population, du tager prøverne fra, er normal og har lige standardafvigelser.

Der er fire typer analyse af variationstest. Den første er One-Way Anova. Du skal kun bruge denne type Anova, hvis der kun er en kategorisk faktor. For det andet er Multifactor Anova, der bruges, når de kategoriske faktorer er mere end én. Interaktioner og hovedeffekter mellem faktorerne estimeres. Den tredje type Anova er Variance Components Analyse. Denne type Anova bruges, når faktorerne er flere og hierarkisk arrangeret. Hovedmålet med denne test er at kende procentdelen af ​​den procesvariabilitet, du introducerer i hvert niveau. Den fjerde og sidste metode er de generelle lineære modeller. Hvis dine faktorer både indlejres og krydses, er nogle af faktorerne tilfældige, og andre er faste. Når begge faktorer, der er til stede, er kvantitative og kategoriske, anvendes denne test.

Resumé:

1. Anova-testen har fire typer, nemlig: Envejs Anova, Multifaktor Anova, Variance Components Analyse og generelle lineære modeller. T-tests har kun to typer: Uafhængige målinger T-test og Matchet par-T-test, der også kaldes Dependent T-test eller Paired T-test.
2.T-test udføres kun, når du kun har to grupper at sammenligne. Anova-tests er på den anden side grundlæggende ligesom T-tests, men det er designet til grupper, der er mere end to.
3. Der kræves nogle betingelser, før de to test udføres. For T-testen skal populationsdata, der skal indsamles, normalt distribueres, og du sammenligner ens variationer af befolkningen. Mens der til Anova-tests vælges prøver, der skal anvendes, uafhængigt og tilfældigt. Du skal også antage, at den population, du tager prøverne fra, er normal og har lige standardafvigelser.