Teoria, zastosowania i interpretacja wyników

Wprowadzenie

Statystyka t-Studenta jest jednym z najważniejszych narzędzi statystyki matematycznej wykorzystywanych do testowania hipotez dotyczących średnich. Metoda ta znajduje zastosowanie w medycynie, psychologii, pedagogice, ekonomii oraz naukach technicznych. Szczególnie użyteczna jest w sytuacjach, gdy analizowana próba jest niewielka, a odchylenie standardowe populacji nie jest znane.

Rozkład t-Studenta został opracowany przez Williama Sealy’ego Gosseta, który publikował swoje badania pod pseudonimem „Student”. Obecnie stanowi on jeden z fundamentów współczesnej statystyki inferencyjnej.

Definicja statystyki t-Studenta

Podstawowa statystyka testowa wyrażana jest wzorem:

$$
t = \frac{\bar{x}-\mu}{\frac{s}{\sqrt{n}}}
$$

gdzie:

• $\bar{x}$ – średnia z próby,
• $\mu$ – średnia populacji przyjmowana w hipotezie zerowej,
• $s$ – odchylenie standardowe próby,
• $n$ – liczebność próby.

Statystyka ta określa, ile błędów standardowych dzieli średnią z próby od wartości oczekiwanej w populacji.

Rozkład t-Studenta

Rozkład t-Studenta jest symetryczny względem zera i przypomina rozkład normalny. Charakteryzuje się jednak grubszymi ogonami, co oznacza większe prawdopodobieństwo występowania obserwacji skrajnych.

Liczba stopni swobody określana jest wzorem:

$$
df=n-1
$$

gdzie:

• $df$ – liczba stopni swobody,
• $n$ – liczba obserwacji.

Wraz ze wzrostem liczby stopni swobody rozkład t-Studenta coraz bardziej zbliża się do rozkładu normalnego.

Hipotezy statystyczne

W teście t-Studenta formułuje się hipotezę zerową oraz alternatywną.

Hipoteza zerowa:

$$
H_0:\mu=\mu_0
$$

Hipoteza alternatywna dwustronna:

$$
H_1:\mu\neq\mu_0
$$

Hipoteza alternatywna prawostronna:

$$
H_1:\mu>\mu_0
$$

Hipoteza alternatywna lewostronna:

$$
H_1:\mu<\mu_0
$$

Test t dla jednej próby

Test ten służy do sprawdzenia, czy średnia badanej próby różni się od określonej wartości teoretycznej.

Przykładowo można sprawdzić, czy średni wynik egzaminu różni się od 50 punktów:

$$
H_0:\mu=50
$$

$$
H_1:\mu\neq50
$$

Po obliczeniu wartości statystyki t wyznaczana jest wartość p, na podstawie której podejmuje się decyzję o odrzuceniu lub nieodrzuceniu hipotezy zerowej.

Test t dla dwóch prób niezależnych

W przypadku porównywania średnich dwóch niezależnych grup stosuje się wzór:

$$
t=
\frac{\bar{x}_1-\bar{x}_2}
{s_p\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}
$$

gdzie:

$$
s_p=
\sqrt{
\frac{
(n_1-1)s_1^2+(n_2-1)s_2^2
}
{
n_1+n_2-2
}
}
$$

oznacza wspólne odchylenie standardowe obu grup.

Test t dla prób zależnych

W przypadku badań przed i po interwencji stosuje się test dla prób zależnych:

$$
t=
\frac{\bar{d}}
{\frac{s_d}{\sqrt{n}}}
$$

gdzie:

• $\bar{d}$ – średnia różnica pomiędzy parami obserwacji,
• $s_d$ – odchylenie standardowe różnic,
• $n$ – liczba par obserwacji.

Błąd standardowy średniej

Istotnym pojęciem jest błąd standardowy średniej:

$$
SE=\frac{s}{\sqrt{n}}
$$

Wraz ze wzrostem liczebności próby wartość błędu standardowego maleje.

Przedział ufności

Rozkład t-Studenta wykorzystywany jest również do konstrukcji przedziałów ufności dla średniej:

$$
\bar{x}
\pm
t_{\alpha/2,df}
\cdot
\frac{s}{\sqrt{n}}
$$

Przedział ten określa zakres wartości, w którym z określonym prawdopodobieństwem znajduje się rzeczywista średnia populacji.

Wartość p

Wartość p definiowana jest jako:

$$
p=P(|T|\ge|t_{obs}|)
$$

gdzie:

• $T$ oznacza zmienną losową o rozkładzie t-Studenta,
• $t_{obs}$ oznacza wartość statystyki obliczoną na podstawie danych.

Najczęściej przyjmowany poziom istotności wynosi:

$$
\alpha = 0.05
$$

Jeżeli:

$$
p<0.05
$$

wynik uznawany jest za istotny statystycznie.

Wielkość efektu Cohena

Sama istotność statystyczna nie określa siły badanego efektu. W tym celu stosuje się współczynnik Cohena:

$$
d=
\frac{\bar{x}_1-\bar{x}_2}
{s_p}
$$

Interpretacja:

• $d=0.2$ – efekt mały,
• $d=0.5$ – efekt średni,
• $d=0.8$ – efekt duży.

Podsumowanie

Statystyka t-Studenta należy do podstawowych metod statystyki inferencyjnej. Umożliwia ocenę istotności różnic pomiędzy średnimi, konstrukcję przedziałów ufności oraz analizę danych pochodzących z niewielkich prób badawczych. Pomimo rozwoju nowoczesnych metod analizy danych pozostaje jednym z najczęściej wykorzystywanych narzędzi statystycznych w badaniach naukowych i analizach praktycznych.