ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಮನ್ ವಿಟ್ನಿ ಪರೀಕ್ಷೆ

ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆ

ಅಂಕಿಅಂಶಗಳು ದತ್ತಾಂಶ ಸಂಗ್ರಹಣೆ, ವಿಶ್ಲೇಷಣೆ, ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಪ್ರಸ್ತುತಿಗೆ ಸಂಬಂಧಿಸಿದ ಗಣಿತಶಾಸ್ತ್ರದ ಒಂದು ಶಾಖೆಯಾಗಿದೆ. ದತ್ತಾಂಶ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಅಂಕಿಅಂಶಗಳನ್ನು ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಆಗಾಗ್ಗೆ ಬಳಸುವ ಒಂದು ತಂತ್ರವೆಂದರೆ ಮಾನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆ (ಇದನ್ನು ಮಾನ್-ವಿಟ್ನಿ ಯು ಪರೀಕ್ಷೆ ಅಥವಾ ವಿಲ್ಕಾಕ್ಸನ್ ಶ್ರೇಣಿ-ಮೊತ್ತ ಪರೀಕ್ಷೆ ಎಂದೂ ಕರೆಯುತ್ತಾರೆ). ಇದು ಜೋಡಿಯಾಗದ ಎರಡು ಗುಂಪುಗಳ ನಡುವೆ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಬಳಸುವ ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಅಲ್ಲದ ವಿಧಾನವಾಗಿದೆ.

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯ ಪರಿಚಯ

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯನ್ನು 1947 ರಲ್ಲಿ ಹೆನ್ರಿ ಮನ್ ಮತ್ತು ಡೊನಾಲ್ಡ್ ವಿಟ್ನಿ ಅವರು ಟಿ-ಪರೀಕ್ಷೆಗೆ ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಅಲ್ಲದ ಪರ್ಯಾಯವಾಗಿ ಪರಿಚಯಿಸಿದರು. ಈ ವಿಧಾನಕ್ಕೆ ಸಾಮಾನ್ಯತೆಯ ಊಹೆಯ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ, ಡೇಟಾವು ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಅನುಸರಿಸದಿದ್ದಾಗ ಅಥವಾ ಮಾದರಿ ಗಾತ್ರವು ಸಾಮಾನ್ಯತೆಯ ಊಹೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದ್ದಾಗ ಇದು ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿದೆ.

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯ ಮೂಲ ತತ್ವಗಳು

ಎರಡು ಗುಂಪುಗಳ ಮಧ್ಯವರ್ತಿಗಳನ್ನು ಹೋಲಿಸಲು ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಮೂಲ ತತ್ವವೆಂದರೆ:

1. ಶ್ರೇಯಾಂಕ ವೀಕ್ಷಣೆ: ಎರಡೂ ಗುಂಪುಗಳ ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ ಚಿಕ್ಕದರಿಂದ ದೊಡ್ಡದಕ್ಕೆ ಶ್ರೇಣೀಕರಿಸಲಾಗಿದೆ. ಒಂದೇ ರೀತಿಯ ಮೌಲ್ಯಗಳಿದ್ದರೆ, ಪ್ರತಿ ವೀಕ್ಷಣೆಯನ್ನು ಅದರ ಸರಿಯಾದ ಶ್ರೇಣಿಯ ಸರಾಸರಿಯಿಂದ ಶ್ರೇಣೀಕರಿಸಲಾಗಿದೆ.

2. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷಾ ಲೆಕ್ಕಾಚಾರ: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷಾ ಮೌಲ್ಯ (U) ಅನ್ನು ಪ್ರತಿ ಗುಂಪಿನ ಶ್ರೇಣಿಗಳ ಮೊತ್ತವನ್ನು ಆಧರಿಸಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಎರಡು ಮಾರ್ಗಗಳಿವೆ: ಒಂದು ಮೊದಲ ಗುಂಪಿನಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಮತ್ತು ಇನ್ನೊಂದು ಎರಡನೇ ಗುಂಪಿನಿಂದ.

– U ಯ ಸಾಮಾನ್ಯ ಸೂತ್ರ:
\[
U_1 = n_1 \ಸಮಯ n_2 + \frac{n_1 \ಸಮಯ (n_1 + 1)}{2} – R_1
\]
ಅಥವಾ
\[
U_2 = n_1 \ಸಮಯ n_2 + \frac{n_2 \ಸಮಯ (n_2 + 1)}{2} – R_2
\]
ಎಲ್ಲಿ:
– \(n_1\) ಮತ್ತು \(n_2\) ಪ್ರತಿ ಗುಂಪಿನಲ್ಲಿರುವ ವೀಕ್ಷಣೆಗಳ ಸಂಖ್ಯೆ,
– \(R_1\) ಮತ್ತು \(R_2\) ಗಳು ಪ್ರತಿ ಗುಂಪಿನಲ್ಲಿರುವ ಶ್ರೇಣಿಗಳ ಸಂಖ್ಯೆ.

3. ಮಹತ್ವ ಪರೀಕ್ಷೆ: p-ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸಲು ಮಹತ್ವ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ. ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರದ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, U ವಿತರಣೆಯನ್ನು ಸಾಮಾನ್ಯ ವಿತರಣೆಯಿಂದ ಅಂದಾಜು ಮಾಡಬಹುದು.

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯಲ್ಲಿನ ಊಹೆಗಳು

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯು ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಅಲ್ಲದ ಪರೀಕ್ಷೆಯಾಗಿದ್ದು, ಸಾಮಾನ್ಯ ವಿತರಣೆಯ ಊಹೆಯ ಅಗತ್ಯವಿಲ್ಲದಿದ್ದರೂ, ಫಲಿತಾಂಶಗಳ ಸಿಂಧುತ್ವಕ್ಕಾಗಿ ಹಲವಾರು ಸಂಬಂಧಿತ ಊಹೆಗಳನ್ನು ಪೂರೈಸಬೇಕು:

1. ಸ್ವಾತಂತ್ರ್ಯ: ಎರಡೂ ಗುಂಪುಗಳಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ವೀಕ್ಷಣೆಯು ಪರಸ್ಪರ ಸ್ವತಂತ್ರವಾಗಿರಬೇಕು.
2. ಆರ್ಡಿನಲ್ ಅಥವಾ ಇಂಟರ್ವಲ್ ಸ್ಕೇಲ್: ಡೇಟಾ ಆರ್ಡಿನಲ್ ಅಥವಾ ಇಂಟರ್ವಲ್ ಸ್ಕೇಲ್‌ನಲ್ಲಿರಬೇಕು. ಇದರರ್ಥ ಡೇಟಾವನ್ನು ವಿಂಗಡಿಸಬಹುದು ಮತ್ತು ಶ್ರೇಯಾಂಕ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.
3. ವಿತರಣಾ ಶ್ರೇಣಿ: ಎರಡೂ ಗುಂಪುಗಳ ವಿತರಣಾ ಶ್ರೇಣಿಯು ಒಂದೇ ಆಕಾರವನ್ನು ಹೊಂದಿರಬೇಕು (ಮಧ್ಯಮವು ವಿಭಿನ್ನವಾಗಿರಬಹುದು).

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸುವ ಹಂತಗಳು

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಮಾನ್ಯವಾಗಿ ಅನುಸರಿಸುವ ಹಂತಗಳು ಈ ಕೆಳಗಿನಂತಿವೆ:

1. ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸಿ ಮತ್ತು ವಿಂಗಡಿಸಿ: ಎರಡೂ ಗುಂಪುಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸಿ ಮತ್ತು ಒಟ್ಟಾರೆಯಾಗಿ ವಿಂಗಡಿಸಿ. ಶ್ರೇಯಾಂಕಗಳನ್ನು ಕ್ರಮದ ಪ್ರಕಾರ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಶ್ರೇಣಿಯ ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಸರಾಸರಿ ಮೌಲ್ಯಕ್ಕೆ ಜೋಡಿಸಲಾಗಿದೆ.

2. ಶ್ರೇಯಾಂಕಗಳ ಸಂಖ್ಯೆಯನ್ನು ಲೆಕ್ಕಹಾಕಿ: ಪ್ರತಿ ಗುಂಪಿಗೆ ಶ್ರೇಯಾಂಕಗಳ ಸಂಖ್ಯೆಯನ್ನು ಲೆಕ್ಕಹಾಕಿ.

3. ಅಂಕಿಅಂಶಗಳ U-ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸುವುದು: ಎರಡೂ ಗುಂಪುಗಳಿಗೆ U-ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಹಿಂದೆ ವಿವರಿಸಿದ ಸೂತ್ರವನ್ನು ಬಳಸಿ.

4. ನಿರ್ಣಾಯಕ ಮೌಲ್ಯ ಅಥವಾ p-ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸುವುದು: ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಪಡೆದ U-ಮೌಲ್ಯವನ್ನು U-ವಿತರಣಾ ಕೋಷ್ಟಕದಿಂದ ನಿರ್ಣಾಯಕ ಮೌಲ್ಯದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ (ಅಥವಾ p-ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕಿ).

ಉದಾಹರಣೆಗೆ, ನಮ್ಮಲ್ಲಿ ಎರಡು ಸೆಟ್ ಡೇಟಾ A ಮತ್ತು B ಇವೆ ಎಂದು ಭಾವಿಸೋಣ. ಈ ಡೇಟಾವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಕಾಯಿಲೆಗೆ ಎರಡು ವಿಭಿನ್ನ ಚಿಕಿತ್ಸೆಗಳನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು ಮತ್ತು ಒಂದು ಚಿಕಿತ್ಸೆಯು ಇನ್ನೊಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆಯೇ ಎಂದು ನಾವು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸುತ್ತೇವೆ.

ಪ್ರಾಯೋಗಿಕ ಉದಾಹರಣೆ

ನಮಗೆ ಎರಡು ಚಿಕಿತ್ಸಾ ಗುಂಪುಗಳಿವೆ ಎಂದು ಹೇಳೋಣ:

– ಚಿಕಿತ್ಸೆ ಎ: [85, 90, 88, 75, 91]
– ಚಿಕಿತ್ಸೆ ಬಿ: [80, 78, 95, 87, 92]

1. ಡೇಟಾವನ್ನು ವಿಲೀನಗೊಳಿಸುವುದು ಮತ್ತು ವಿಂಗಡಿಸುವುದು:
– ಸಂಯೋಜಿತ: [85, 90, 88, 75, 91, 80, 78, 95, 87, 92]
– ಕ್ರಮ ಮತ್ತು ಶ್ರೇಯಾಂಕ: [75(1), 78(2), 80(3), 85(4), 87(5), 88(6), 90(7), 91(8), 92(9), 95(10)]

2. ಶ್ರೇಣಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು:
– ಥೆರಪಿ ಎ ರೇಟಿಂಗ್‌ಗಳ ಸಂಖ್ಯೆ: 4 + 7 + 6 + 1 + 8 = 26
– ಥೆರಪಿ ಬಿ ರೇಟಿಂಗ್‌ಗಳ ಸಂಖ್ಯೆ: 3 + 2 + 10 + 5 + 9 = 29

3. U ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು:
\[
U_A = n_1 \times n_2 + \frac{n_1 \times (n_1 + 1)}{2} – R_A = 5 \times 5 + \frac{5 \times (5 + 1)}{2} – 26 = 25 + 15 – 26 = 14
\]
\[
U_B = n_1 \times n_2 + \frac{n_2 \times (n_2 + 1)}{2} – R_B = 5 \times 5 + \frac{5 \times (5 + 1)}{2} – 29 = 25 + 15 – 29 = 11
\]
ಚಿಕ್ಕ U ಮೌಲ್ಯವನ್ನು ಆರಿಸಿ, ಅಂದರೆ U = 11.

4. ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸುವುದು:
ಪಡೆದ U-ಮೌಲ್ಯವನ್ನು ಮಾನ್-ವಿಟ್ನಿ ವಿತರಣಾ ಕೋಷ್ಟಕದಿಂದ ನಿರ್ಣಾಯಕ U-ಮೌಲ್ಯದೊಂದಿಗೆ ಹೋಲಿಸಿ ಅಥವಾ p-ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕಿ. U ನಿರ್ಣಾಯಕ ಮೌಲ್ಯಕ್ಕಿಂತ ಕಡಿಮೆಯಿದ್ದರೆ ಅಥವಾ p-ಮೌಲ್ಯವು ಆಲ್ಫಾಕ್ಕಿಂತ ಕಡಿಮೆಯಿದ್ದರೆ (ಉದಾ. 0,05), ನಾವು ಶೂನ್ಯ ಊಹೆಯನ್ನು ತಿರಸ್ಕರಿಸುತ್ತೇವೆ ಮತ್ತು ಎರಡು ಗುಂಪುಗಳ ನಡುವೆ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವಿದೆ ಎಂದು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ.

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳು

ಪ್ರಯೋಜನಗಳು:

1. ನಾನ್‌ಪ್ಯಾರಾಮೆಟ್ರಿಕ್: ಸಾಮಾನ್ಯ ವಿತರಣೆಯ ಊಹೆಯ ಅಗತ್ಯವಿಲ್ಲ.
2. ನಮ್ಯತೆ: ಡೇಟಾವು ಆರ್ಡಿನಲ್ ಸ್ಕೇಲ್‌ನಲ್ಲಿರುವಾಗ ಅಥವಾ ಹೊರಗಿನವುಗಳನ್ನು ಹೊಂದಿರುವಾಗ ಬಳಸಬಹುದು.
3. ಸರಳ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ: ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಅರ್ಥೈಸಲು ಸುಲಭ.

ಮಿತಿಗಳು:

1. ದಕ್ಷತೆಯ ನಷ್ಟ: ಸಾಮಾನ್ಯ ವಿತರಣೆಯಲ್ಲಿ, ಟಿ-ಪರೀಕ್ಷೆಯು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ.
2. ಒಂದೇ ವಿತರಣಾ ರೂಪದ ಊಹೆ: ಈ ಪರೀಕ್ಷೆಯು ಎರಡು ಗುಂಪುಗಳ ನಡುವೆ ಒಂದೇ ವಿತರಣಾ ರೂಪವನ್ನು ಊಹಿಸುತ್ತದೆ.
3. ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರಗಳ ಮೇಲೆ ಬದ್ಧ: ಅಸಿಂಪ್ಟೋಟಿಕ್ ವಿತರಣೆಯು ಬಹಳ ಸಣ್ಣ ಮಾದರಿಗಳಲ್ಲಿ ಕಡಿಮೆ ನಿಖರವಾಗಿರಬಹುದು.

ತೀರ್ಮಾನ

ಮನ್-ವಿಟ್ನಿ ಪರೀಕ್ಷೆಯು ಜೋಡಿಯಾಗದ ಎರಡು ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಗುರುತಿಸಲು ಪ್ರಬಲ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವ ನಾನ್‌ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಸಾಧನವಾಗಿದೆ. ಇದರ ಮೂಲ ತತ್ವಗಳು ಮತ್ತು ಅನುಷ್ಠಾನದ ಹಂತಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ, ನಾವು ಈ ಪರೀಕ್ಷೆಯನ್ನು ವಿವಿಧ ಸಂಶೋಧನಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವಿವಿಧ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಬಳಸಬಹುದು. ಇದು ಕೆಲವು ಮಿತಿಗಳನ್ನು ಹೊಂದಿದ್ದರೂ, ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಇದರ ಅನುಕೂಲಗಳು ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಇದನ್ನು ಬಹಳ ಮೌಲ್ಯಯುತ ವಿಧಾನವನ್ನಾಗಿ ಮಾಡುತ್ತದೆ.