3.1 A megfelelő teszt kiválasztása
Az Ellistat a teszteket egy kételemű mátrix : az online tesztek családja, az oszlopos összehasonlítás típusa.
Az öt család, attól függően, hogy mit hasonlít össze:
| Család | Összehasonlítja | Tipikus kérdés |
| Pozíciók | Átlagok | Ugyanazt az átlagértéket adják-e ezek a két beállítások? |
| Létrák | Diszperziók | Ez a gép egyenletesebben működik, mint a másik? |
| Kifizetések | Teljes forgalmazási formák | Ezek a két tétel ugyanazon a törvénynek felelnek-e meg? |
| Helyezések | Álláspontok, jogi feltételezések nélkül | Ugyanaz a kérdés, mint a „Pozíciók” esetében, de a normálság feltételezése nélkül. |
| Frekvenciák | Arányok | Változott-e a selejtarány? |
Az összehasonlítás típusai, oszlopokban:
- Elméleti értéken : A mintája megfelel-e egy célértéknek, szabványnak vagy korábbi értéknek?
- Két minta között, párosítva vagy független ;
- Több minta között, párosítva vagy független.
3.2 A javasolt tesztek
| Család | Elméleti érték | 2 minta | Több minta |
| Pozíciók | Elméleti Z, elméleti T | Z-próba, t-próba — párosított t-próba | ANOVA — párosított ANOVA |
| Létrák | Chi-négyzet próba | F-teszt / Fligner-Killeen | Bartlett, Levene / MAD-permutáció |
| Kifizetések | (leíró statisztikák alapján) | Cramér–von Mises | Energiaforrások |
| Helyezések | Jelek tesztje, Wilcoxon-teszt | Mann–Whitney-próba, B–C | Kruskal–Wallis — párosított Friedman-teszt |
| Frekvenciák | 1P teszt | 2P teszt | Chi-négyzet próba |
Ha két tesztet perjel választ el egymástól, az első az paraméteres és a második nem paraméteres : Az F-teszt és a Fligner–Killeen-teszt ugyanarra a kérdésre ad választ, az utóbbi anélkül, hogy a normális eloszlást feltételezné.
💡 Z vagy T?
A Z-próba feltételezi, hogy a populáció szórása ismert, ami a gyakorlatban ritkán fordul elő. A T-próba ezt a mintából becsüli. Kétség esetén a T-próbát alkalmazzuk.
Az Ellistat automatikusan kiválasztja a megfelelő teszteket attól függően, hogy milyen típusú adatokat szeretnénk összehasonlítani. Nem kell minden tesztet megjegyezni, az Ellistat megadja a megfelelő tesztek teljes eredményét. Folyamatos változó esetén megadja a pozíció, skála és szórás szerinti különbségtesztet! Ezen kategóriák közül csak egyet lehet kiválasztani.
3.3 Paraméteres és nem paraméteres tesztek
A parametrikus tesztek egy eloszlást feltételeznek, általában a normális eloszlást. Ezek erősebbek ha ez a feltételezés helytáll: azonos adatok mellett kisebb eltéréseket észlelnek.
A nem paraméteres tesztek nem tesznek feltételezéseket az eloszlásról. Ezek ellenállóbbak de valamivel kevésbé érzékenyek.
- Normális eloszlás, nincs kiugró érték: paraméteres ;
- Kérdéses törvény, kevés létszám, szélsőséges értékek: nem paraméteres.
A menü pontosan azért jeleníti meg a kettőt egymás mellett, hogy ez a választás egyértelmű legyen.
3.4 Az érvényességi feltételek – az Ön számára ellenőrizve
Ez a menü egyik erőssége, amelyet gyakran nem használnak ki megfelelően: Az Ellistat automatikusan ellenőrzi a kiválasztott teszt feltételezéseit és megjeleníti az ítéletet.
A három jelvény a következő lehet:
- A feltételek teljesülnek
- A feltételek teljesülnek, annak ellenére, hogy eltérés tapasztalható az ideális állapothoz képest
- Legalább egy feltétel nem teljesül
| Feltétel | Ami ellenőrizve van |
| Normál törvény | A normális eloszlásra vonatkozó hipotézis elfogadása vagy elutasítása. Párosított próba esetén ez a különbséga minták között, nem pedig minden egyes mintán. |
| A varianciák egyenértékűsége | Az egyenlő variancia hipotézisének elfogadása vagy elutasítása. Bizonyos átlagpróbák érzékenyek erre. |
| Kivételes értékek | Atypikus értékek jelenléte vagy hiánya, amelyek önmagukban is okozhatnak vagy elrejthetnek egy eltérést. |
Ha egy tesztnek nincs ellenőrizendő feltétele, az Ellistat ezt jelzi: «Ennek a tesztnek nincs ellenőrizendő hipotézise»; ez a nem paraméteres tesztek esetében így van.
⚠️ Egy olyan paraméteres teszt, amelynek feltételeit elutasítják, p-értéket ad amelynek értéke nem egyezik a megadottal. Az első reakció: átváltani ugyanazon sor nem paraméteres megfelelőjére, vagy kezelni az okot, eltávolítani egy indokolt kiugró értéket, átalakítani az adatokat.
💡 Soha ne távolítsunk el egy kiugró értéket csak azért, mert zavaró. A kiugró érték egy tájékoztatás : beviteli hiba, gyártási hiba, a folyamaton kívüli alkatrész. Jobb megérteni, mint egyszerűen törölni.
3.5 Az eredmény leolvasása
Az eredmény a következőket mutatja: feltételezések Az Ön esetében egyértelműen megfogalmazott H0 és H1 hipotézisek, a statisztika a teszt során, a p-érték, és a következtetés a színével együtt: a H0-hipotézis elutasítása vagy a H0-hipotézis elfogadása.
A tesztet a hozzá tartozó ábra illusztrálja: bajuszos négyzetek az átlagok összehasonlításához, oszlopok az arányok ábrázolásához.
💡 Mindig nézd meg együtt a grafikont és a p-értéket. A grafikon azt mutatja, hogy mennyivel és milyen értelemben, a p-érték azt jelzi, hogy ha el lehet hinni. Az egyik a másik nélkül a következtetés felét kihagyja.
3.6 Több minta
Egy szignifikáns ANOVA- vagy Kruskal–Wallis-teszt azt jelzi, hogy «ezek a csoportok nem mind egyenlőek». Ez azonban nem jelenti azt, hogy nem azt más.
Az Ellistat ehhez egy páronkénti következtetés, amely a csoportokat kettesével hasonlítja össze.
⚠️ Az összes pár összehasonlítása megsokszorozza a tesztek számát, és így a téves riasztásokét is: tíz csoport esetén negyvenöt összehasonlítást végzünk, és ha mindegyiknél 5 % a kockázat, akkor átlagosan két hamis eltérést találunk. Ezért célszerűbb a beépített páros összehasonlítást használni, ahelyett, hogy kézzel egymás után futtatnánk a t-próbákat.
3.7 A párosítás csapdája
Az adatok párosítva amikor mindkét sorozat a következő témákkal foglalkozik: ugyanazok az egyének : ugyanaz a munkadarab a kezelés előtt és után, ugyanaz a kezelő két különböző módszerrel, ugyanaz a munkadarab két műszerrel mérve.
A párosított teszt kiküszöböli az egyedek közötti eltéréseket, és így sokkal hatékonyabbá válik.
⚠️ A párosított adatok függetlenként való kezelése a leggyakoribb és legköltségesebb hiba: az egyes minták közötti eltérések elnyomják a keresett hatást, és arra a következtetésre jutunk, hogy «nincs különbség», holott az egyértelműen fennáll. Ezzel ellentétben, ha olyan adatsorokat nyilvánítunk párosnak, amelyek valójában nem azok, akkor mesterséges különbségeket hozunk létre.
💡 A teszt közvetve emlékeztet erre: párosított teszt esetén a normális eloszlást ellenőrzik a különbségről. Ha Ellistat a minták közötti különbségről beszél, akkor valóban párosított mintákról van szó.