Как выполнить Т-тесты в MS Excel?

Функция T-Test в Excel вычисляет вероятность значительной разницы между двумя наборами данных, независимо от того, относятся ли один или оба к одной и той же совокупности и имеют одинаковый средний T-Test, который также включает в себя используемые наборы данных. для вычислений представляют собой одностороннее или двустороннее распределение с дисперсией, которая может быть равной или неравной.

Формула

=T.TEST(array1, array2, tails, type)

• Массив 1: это начальная группа тестируемых образцов.
• Array2: это вторая сравниваемая коллекция образцов.
• Хвосты: количество решек в распределении. Существует два вида хвостов ( т. е. одностороннее распределение и двустороннее распределение).
• Тип: существует три типа функции Т-теста, которые обсуждаются ниже:
  1. Парный: проверяет, равно ли среднее значение парных наборов.
  2. Равные дисперсии: двухвыборочный тест на равную дисперсию определяет, равны ли дисперсии двух наборов средних значений.
  3. Неравные дисперсии: двухвыборочный тест на неравномерную дисперсию определяет, является ли изменение средних между двумя группами неравным.

Метод 1: использование формулы

Функционирование T.TEST лучше всего демонстрируется на примере набора данных для получения логики T.TEST.

У меня есть результаты классного теста 1 и теста 2. Мне нужно запустить T.TEST, чтобы увидеть, есть ли статистически значимая разница между этими двумя тестами.

Дата образца:

Используйте T.TEST, чтобы определить разницу.

Пример 1: Парный

Первый тест представляет собой спаривание двух образцов для проверки нуждаемости . В этом примере мы вычисляем две выборки в паре для проверки средств, используя функцию T.TEST, принимающую несколько аргументов, таких как:

1. В первом параметре выберите ячейку от A2 до A11 .
2. Во втором параметре выберите ячейку от B2 до B11 .
3. Третий параметр должен определять, сколько хвостов имеет тест, всегда лучше проводить двусторонний тест, поэтому мы берем 2 .
4. В четвертом параметре мы принимаем значение как 1 для расчета парных двух выборок для среднего теста.

Результат следующий:

Пример 2: Равные отклонения

Второй тест представляет собой тест с двумя выборками, предполагающий тест с равными дисперсиями . В этом примере мы вычисляем две выборки, предполагая тест на равные отклонения, используя функцию T.TEST, принимающую несколько аргументов, таких как:

1. В первом параметре выберите ячейку от A2 до A11 .
2. Во втором параметре выберите ячейку от B2 до B11 .
3. Третий параметр должен определять, сколько хвостов имеет тест, всегда лучше проводить двусторонний тест, поэтому мы берем 2 .
4. В четвертом параметре мы принимаем значение 2 для расчета двух выборок, предполагающих тест на равные дисперсии.

Результат следующий:

Пример 3: Неравные отклонения

Третий тест представляет собой тест с двумя выборками, предполагающий тест на неравные дисперсии . В этом примере мы вычисляем две выборки, предполагая тест неравных дисперсий, используя функцию T.TEST, принимающую несколько аргументов, таких как:

1. В первом параметре выберите ячейку от А2 до А11.
2. Во втором параметре выберите ячейку от B2 до B11.
3. Третий параметр должен определять, сколько хвостов имеет тест, всегда лучше проводить двусторонний тест, поэтому мы берем 2 .
4. В четвертом параметре мы берем значение 3 для расчета двухвыборки, предполагающей тест на неравные дисперсии.

Результат следующий:

Возвращаемый результат называется P-значением.

Способ 2. Используйте пакет инструментов анализа для запуска T.TEST.

Следуйте дальнейшим шагам, чтобы использовать пакеты инструментов анализа для запуска T.Test.

Шаг 1: Сначала мы введем данные каждого теста, как показано ниже:

Шаг 2. Для начала выделите всю информацию, включая заголовки столбцов:

Шаг 3: Затем выберите вкладку «Данные» на верхней ленте, а затем «Анализ данных»:

Шаг 4: Нажмите t-Test: соедините две пробы для средних, а затем нажмите OK в открывшемся окне.

Шаг 5: Заполните следующие поля, затем нажмите OK:

Шаг 6: Отобразится подробный отчет.

Это обеспечит среднее значение каждого набора данных, его дисперсию, количество включенных наблюдений, корреляцию и P-значение.

Нам нужно посмотреть на P-значение, которое составляет 0,02335799, что намного ниже предсказанного P-значения 0,05.

Наши данные значимы, пока P-значение меньше 0,05.