Skillnad mellan Anova och T-test Skillnad mellan

< Anova vs T-test

Ett T-test, som ibland kallas Studentens T-test, utförs när du vill jämföra medelvärdena för två grupper och se om de skiljer sig från varandra. Det används huvudsakligen när en slumpmässig uppgift ges och det finns bara två, inte mer än två, uppsättningar som ska jämföras. Vid genomförandet av T-testet behövs vissa villkor för att träffas så att resultaten kommer att ge noggranna resultat. De primära antagandena är att befolkningsdata som ska samlas normalt fördelas och att man jämför jämlika variationer av befolkningen. T-testet har två huvudtyper: Oberoende åtgärder T-test och Matched Pair T-test, även känt som Dependent T-test eller Paired T-test.

När du jämför två prover som inte matchar par eller proverna är oberoende används Independent T-testet. Det andra typen, Matched-pair T-test, används dock när de givna proverna visas i par. Till exempel ska du mäta mellan före och efter jämförelser. Om du har mer än två prover ska Anova-testet användas. Det är möjligt att skilja mer än två medel med varandra genom att utföra flera T-tester, men det skulle finnas en stor möjlighet att göra ett misstag och därför ha större chans att komma med ett felaktigt resultat.

Anova-testet är den populära termen för variansanalysen. Det är en teknik som utförs vid analys av kategoriska faktorer effekter. Detta test används när det finns fler än två grupper. De är i princip som T-tester också, men som nämnts ovan ska de användas när du har fler än två grupper. Anova test använder variationer för att veta om medlen är lika eller inte. Innan du utför ett Anova-test bör du först uppfylla de grundläggande antagandena. Det första antagandet är att varje prov som ska användas väljs oberoende och är slumpmässigt. För det andra, antar att befolkningen du tar provet är normalt och har samma standardavvikelser.

Det finns fyra typer av analys av variationstest. Den första är One-Way Anova. Du ska endast använda denna typ av Anova om det bara finns en kategorisk faktor. För det andra är multifaktoranova som används när de kategoriska faktorerna är mer än en. Interaktioner och huvudverkningar mellan faktorerna uppskattas. Den tredje typen av Anova är Variance Components Analysis. Denna typ av Anova används när faktorerna är multipla och hierarkiskt ordnade. Huvudmålet med detta test är att känna till procentandelen av processvariationen som du introducerar på varje nivå. Den fjärde och sista metoden är de allmänna linjära modellerna. Om dina faktorer är både nestade och korsade, är några av faktorerna slumpmässiga och vissa är fixerade.När båda faktorerna är kvantitativa och kategoriska används detta test.

Sammanfattning:

1. Anova-testet har fyra typer, nämligen: One-Way Anova, Multifactor Anova, Variance Components Analysis och Generella Linjära Modeller. T-tester har endast två typer: T-test och Matched Pair T-test som är känd som T-test eller Paired T-test.

2. T-test utförs endast när du bara har två grupper att jämföra. Anova-test, å andra sidan, är i princip bara som T-tester men det är utformat för grupper som är mer än två.

3. Vissa förutsättningar före genomförandet av de två testen behövs för att uppnås. För T-testet borde befolkningsdata som ska samlas normalt fördelas, och man jämför jämlika variationer av befolkningen. Medan för Anova-testen ska prover som ska användas väljas oberoende och slumpmässigt. Du bör också anta att befolkningen du tar provet är normalt och har samma standardavvikelser.