Εισαγωγή
Το t-test αποτελεί μία από τις πιο γνωστές και συχνά χρησιμοποιούμενες παραμετρικές στατιστικές δοκιμασίες. Χρησιμοποιείται όταν ο ερευνητής επιθυμεί να εξετάσει εάν μια παρατηρούμενη διαφορά μεταξύ μέσων τιμών είναι αρκετά μεγάλη ώστε να θεωρηθεί ασύμβατη με τη μηδενική υπόθεση, λαμβάνοντας υπόψη τη μεταβλητότητα των δεδομένων και το μέγεθος του δείγματος.
Η επιλογή του κατάλληλου τύπου t-test εξαρτάται από τον ερευνητικό σχεδιασμό. Διαφορετική ανάλυση απαιτείται όταν συγκρίνονται δύο ανεξάρτητες ομάδες, διαφορετική όταν εξετάζονται οι ίδιες μονάδες σε δύο χρονικές στιγμές και διαφορετική όταν ένας μέσος όρος συγκρίνεται με μια προκαθορισμένη τιμή.
Η σωστή εφαρμογή του t-test προϋποθέτει όχι μόνο τον υπολογισμό ενός p-value, αλλά και έλεγχο των προϋποθέσεων, παρουσίαση του μεγέθους της διαφοράς και χρήση διαστημάτων εμπιστοσύνης.
Βασική Λογική του t-Test
Η γενική λογική του t-test βασίζεται στη σύγκριση της παρατηρούμενης διαφοράς με το μέγεθος της τυχαίας μεταβλητότητας.
Ο έλεγχος παράγει μια τιμή t, η οποία εκφράζει πόσο μεγάλη είναι η παρατηρούμενη διαφορά σε σχέση με το τυπικό σφάλμα της.
Όσο μεγαλύτερη είναι η απόλυτη τιμή του t, τόσο ισχυρότερη είναι συνήθως η ένδειξη ότι η διαφορά δεν οφείλεται αποκλειστικά σε τυχαία δειγματοληπτική διακύμανση.
Η τιμή t αξιολογείται σε συνδυασμό με τους βαθμούς ελευθερίας και την αντίστοιχη πιθανότητα p.
Είδη t-Test
Υπάρχουν τρεις βασικές μορφές.
Το One-Sample t-test συγκρίνει τον μέσο όρο ενός δείγματος με μια συγκεκριμένη θεωρητική ή γνωστή τιμή.
Το Independent Samples t-test συγκρίνει τους μέσους όρους δύο ανεξάρτητων ομάδων.
Το Paired Samples t-test χρησιμοποιείται όταν οι δύο μετρήσεις είναι εξαρτημένες, όπως όταν τα ίδια άτομα αξιολογούνται πριν και μετά από μια παρέμβαση.
Η σωστή επιλογή είναι κρίσιμη. Η εφαρμογή independent t-test σε εξαρτημένες παρατηρήσεις ή paired t-test σε ανεξάρτητες ομάδες παραβιάζει τη λογική του σχεδιασμού.
Independent Samples t-Test
Το t-test ανεξάρτητων δειγμάτων χρησιμοποιείται όταν εξετάζεται εάν δύο διαφορετικές και ανεξάρτητες ομάδες παρουσιάζουν διαφορετική μέση τιμή σε μια ποσοτική μεταβλητή.
Παραδείγματα είναι η σύγκριση της μέσης αρτηριακής πίεσης μεταξύ ομάδας θεραπείας και ομάδας ελέγχου ή η σύγκριση της μέσης βαθμολογίας ποιότητας ζωής μεταξύ δύο πληθυσμών.
Η μηδενική υπόθεση διατυπώνεται ως:
H₀: μ₁ = μ₂
ενώ η εναλλακτική υπόθεση συνήθως είναι:
H₁: μ₁ ≠ μ₂
σε έναν δίπλευρο έλεγχο.
Το αρχικό αρχείο χρησιμοποιεί επίσης παράδειγμα με δύο ομάδες και επισημαίνει ότι όταν η ανεξάρτητη μεταβλητή έχει τρία ή περισσότερα επίπεδα, η επαναλαμβανόμενη εφαρμογή πολλών t-tests δεν αποτελεί την καταλληλότερη προσέγγιση και προτιμάται ANOVA.
Προϋποθέσεις του Independent t-Test
Η πρώτη βασική προϋπόθεση είναι η ανεξαρτησία των παρατηρήσεων. Κάθε συμμετέχων πρέπει να ανήκει μόνο σε μία ομάδα και η μέτρησή του να μην εξαρτάται από τη μέτρηση άλλου συμμετέχοντα.
Η εξαρτημένη μεταβλητή πρέπει συνήθως να είναι συνεχής ή τουλάχιστον να προσεγγίζει ποσοτική κλίμακα κατάλληλη για ανάλυση μέσων τιμών.
Η κατανομή της μεταβλητής μέσα σε κάθε ομάδα πρέπει να είναι κατά προσέγγιση κανονική, ιδιαίτερα όταν τα δείγματα είναι μικρά.
Πρέπει επίσης να εξετάζονται ακραίες παρατηρήσεις, καθώς μπορούν να επηρεάσουν σημαντικά τον μέσο όρο και την τιμή του t.
Ισότητα Διακυμάνσεων και Levene’s Test
Στην κλασική εκδοχή του independent t-test γίνεται η υπόθεση ότι οι δύο ομάδες έχουν ίσες διακυμάνσεις.
Ο Levene’s Test χρησιμοποιείται συχνά για την αξιολόγηση αυτής της υπόθεσης. Το αρχικό αρχείο περιγράφει ακριβώς αυτή τη διαδικασία: όταν το p-value του Levene είναι μεγαλύτερο από 0,05, χρησιμοποιείται η γραμμή «equal variances assumed», ενώ όταν είναι μικρότερο από 0,05 χρησιμοποιείται η εναλλακτική γραμμή.
Στη σύγχρονη πρακτική, όμως, δεν είναι απαραίτητο να αντιμετωπίζεται ο Levene ως απόλυτος διακόπτης.
Όταν οι διακυμάνσεις ή τα μεγέθη των δύο ομάδων διαφέρουν, το Welch’s t-test αποτελεί συχνά πιο ασφαλή επιλογή, επειδή δεν απαιτεί ισότητα διακυμάνσεων.
Για τον λόγο αυτό, σε πολλές σύγχρονες αναλύσεις το Welch t-test προτιμάται εξαρχής όταν υπάρχει αμφιβολία για ομοσκεδαστικότητα.
Paired Samples t-Test
Το paired t-test χρησιμοποιείται όταν οι μετρήσεις προέρχονται από τα ίδια άτομα ή από φυσικά αντιστοιχισμένα ζεύγη.
Χαρακτηριστικό παράδειγμα είναι η μέτρηση του άγχους πριν και μετά από μια θεραπευτική παρέμβαση.
Σε αυτή την περίπτωση δεν συγκρίνονται απλώς δύο ανεξάρτητοι μέσοι όροι. Υπολογίζεται για κάθε άτομο η διαφορά μεταξύ των δύο μετρήσεων και εξετάζεται αν ο μέσος όρος αυτών των διαφορών αποκλίνει από το μηδέν.
Η βασική προϋπόθεση κανονικότητας αφορά επομένως την κατανομή των διαφορών και όχι απαραίτητα καθεμία από τις δύο αρχικές μεταβλητές ξεχωριστά.
One-Sample t-Test
Το one-sample t-test χρησιμοποιείται όταν ένας μέσος όρος δείγματος συγκρίνεται με μια προκαθορισμένη τιμή.
Για παράδειγμα, μπορεί να εξεταστεί αν η μέση βαθμολογία ενός δείγματος φοιτητών διαφέρει από μια θεωρητική τιμή 50.
Η μηδενική υπόθεση είναι:
H₀: μ = μ₀
όπου μ₀ είναι η τιμή αναφοράς.
p-Value και Στατιστική Σημαντικότητα
Το p-value εκφράζει πόσο συμβατά είναι τα παρατηρούμενα δεδομένα με τη μηδενική υπόθεση, υπό τις προϋποθέσεις του μοντέλου.
Εάν το προκαθορισμένο επίπεδο σημαντικότητας είναι α = 0,05 και προκύψει p < 0,05, απορρίπτεται συνήθως η μηδενική υπόθεση.
Αυτό όμως δεν σημαίνει ότι η πιθανότητα να είναι σωστή η μηδενική υπόθεση είναι μικρότερη από 5%.
Επίσης, ένα μικρό p-value δεν αποδεικνύει ότι η διαφορά είναι μεγάλη ή πρακτικά σημαντική.
Για αυτό στη σύγχρονη αναφορά αποτελεσμάτων το p-value πρέπει να συνοδεύεται από το μέγεθος της διαφοράς και το διάστημα εμπιστοσύνης.
Μέγεθος Επίδρασης
Ένας πολύ σημαντικός δείκτης είναι το effect size, το οποίο περιγράφει το μέγεθος της διαφοράς μεταξύ των ομάδων.
Για σύγκριση δύο μέσων χρησιμοποιείται συχνά το Cohen’s d ή κάποια διορθωμένη παραλλαγή του, όπως το Hedges’ g.
Σε πολύ γενικούς όρους, τιμές d περίπου 0,20 χαρακτηρίζονται συχνά ως μικρές, 0,50 ως μέτριες και 0,80 ως μεγάλες.
Οι τιμές αυτές είναι μόνο ενδεικτικές. Η ουσιαστική σημασία ενός effect size πρέπει να αξιολογείται στο συγκεκριμένο επιστημονικό πεδίο.
Διαστήματα Εμπιστοσύνης
Το 95% διάστημα εμπιστοσύνης της διαφοράς των μέσων όρων παρέχει πολύ περισσότερη πληροφορία από μια απλή απόφαση «στατιστικά σημαντικό / μη σημαντικό».
Δείχνει το εύρος των τιμών που είναι συμβατές με τα δεδομένα για την πραγματική διαφορά.
Αν το διάστημα εμπιστοσύνης της διαφοράς δεν περιλαμβάνει το μηδέν, αυτό αντιστοιχεί συνήθως σε στατιστικά σημαντικό αποτέλεσμα σε δίπλευρο έλεγχο α = 0,05.
Παράλληλα, το πλάτος του διαστήματος δείχνει την ακρίβεια της εκτίμησης.
Μονόπλευρος και Δίπλευρος Έλεγχος
Το αρχικό αρχείο περιλαμβάνει παράδειγμα μονόπλευρης υπόθεσης, όπου εξετάζεται αν μία ομάδα έχει συγκεκριμένα μεγαλύτερη μέση τιμή από την άλλη.
Ο μονόπλευρος έλεγχος πρέπει να επιλέγεται πριν από την εξέταση των δεδομένων και μόνο όταν υπάρχει σαφής θεωρητική αιτιολόγηση για συγκεκριμένη κατεύθυνση.
Στις περισσότερες ερευνητικές εφαρμογές χρησιμοποιείται δίπλευρος έλεγχος, επειδή επιτρέπει την ανίχνευση διαφορών και προς τις δύο κατευθύνσεις.
Πολλαπλά t-Tests και Σφάλμα Τύπου Ι
Όταν πραγματοποιούνται πολλά ανεξάρτητα t-tests, αυξάνεται η πιθανότητα να προκύψει τουλάχιστον ένα στατιστικά σημαντικό αποτέλεσμα μόνο από τύχη.
Για παράδειγμα, αν συγκρίνονται τρεις ομάδες με όλους τους δυνατούς ζευγαρωτούς ελέγχους, η απλή εφαρμογή τριών t-tests αυξάνει το συνολικό σφάλμα Τύπου Ι.
Σε τέτοιες περιπτώσεις χρησιμοποιείται συνήθως ANOVA και, αν εντοπιστεί συνολική διαφορά, ακολουθούν κατάλληλες post hoc συγκρίσεις με διόρθωση πολλαπλών ελέγχων.
Μη Παραμετρική Εναλλακτική
Όταν οι προϋποθέσεις του t-test παραβιάζονται έντονα, μπορεί να εξεταστεί μη παραμετρική εναλλακτική.
Για δύο ανεξάρτητες ομάδες χρησιμοποιείται συχνά το Mann–Whitney U test, ενώ για δύο εξαρτημένες μετρήσεις το Wilcoxon signed-rank test.
Ωστόσο, αυτά τα τεστ δεν πρέπει να θεωρούνται απλώς «t-tests χωρίς κανονικότητα», επειδή εξετάζουν διαφορετικές πτυχές της κατανομής και απαιτούν διαφορετική ερμηνεία.
Παρουσίαση Αποτελεσμάτων
Η σωστή αναφορά ενός independent t-test πρέπει να περιλαμβάνει τουλάχιστον τους μέσους όρους και τις τυπικές αποκλίσεις των ομάδων, την τιμή t, τους βαθμούς ελευθερίας και το ακριβές p-value.
Ακόμη καλύτερα, προστίθενται η διαφορά των μέσων, το 95% διάστημα εμπιστοσύνης και το effect size.
Παράδειγμα:
«Η Ομάδα Α παρουσίασε υψηλότερη μέση βαθμολογία (M = 7,00, SD = 1,49) από την Ομάδα Β (M = 5,10, SD = 1,91), t(18) = −2,48, p = .023.»
Σήμερα θα ήταν προτιμότερο να συμπληρωθεί και το 95% διάστημα εμπιστοσύνης της διαφοράς και ένα Cohen’s d.
Στο αρχικό αρχείο ήδη επισημαίνεται ότι κατά την παρουσίαση πρέπει να αναφέρονται t, df, p, μέση τιμή και τυπική απόκλιση κάθε ομάδας.
Ερμηνεία Πινάκων
Στη σελίδα 5 του αρχικού αρχείου παρουσιάζεται πίνακας σύγκρισης διαστάσεων ποιότητας ζωής μεταξύ Ελλήνων και Κινέζων ασθενών, χωριστά για άνδρες και γυναίκες.
Η ορθή παρουσίαση ενός τέτοιου πίνακα δεν πρέπει να περιορίζεται στην απαρίθμηση όλων των p-values.
Πρέπει να αναδεικνύονται οι σημαντικότερες διαφορές, να παρουσιάζεται η κατεύθυνσή τους και να αποφεύγονται ισχυρισμοί που δεν υποστηρίζονται από τα δεδομένα.
Επίσης, η αναγραφή p = 0,00 δεν είναι σωστή. Η πιθανότητα δεν είναι πραγματικά μηδενική. Όταν η τιμή είναι εξαιρετικά μικρή, αναφέρεται συνήθως ως p < .001.
Συμπεράσματα
Το t-test αποτελεί ένα ισχυρό και σχετικά απλό εργαλείο για τη σύγκριση μέσων τιμών.
Η σωστή εφαρμογή του απαιτεί πρώτα τον προσδιορισμό του κατάλληλου τύπου t-test και στη συνέχεια τον έλεγχο βασικών προϋποθέσεων.
Στη σύγχρονη στατιστική πρακτική, η ερμηνεία δεν πρέπει να περιορίζεται στη διάκριση p < 0,05 ή p > 0,05. Η ουσιαστική αξιολόγηση ενός αποτελέσματος απαιτεί ταυτόχρονη εξέταση της διαφοράς των μέσων, των διαστημάτων εμπιστοσύνης και του μεγέθους επίδρασης.
Έτσι το t-test μετατρέπεται από μια απλή δοκιμασία «στατιστικής σημαντικότητας» σε ένα εργαλείο ουσιαστικής ποσοτικής ερμηνείας των διαφορών μεταξύ ομάδων.
Βιβλιογραφία
Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1), 92–101.
Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science. Frontiers in Psychology, 4, 863.
Ruxton, G. D. (2006). The unequal variance t-test is an underused alternative to Student’s t-test and the Mann–Whitney U test. Behavioral Ecology, 17(4), 688–690.
Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25.
Zimmerman, D. W. (2004). A note on preliminary tests of equality of variances. British Journal of Mathematical and Statistical Psychology, 57(1), 173–181.