စာရင်းအင်းပညာမှာ t test ဆိုတာဘာလဲ

စာရင်းအင်းပညာမှာ T-Test ဆိုတာဘာလဲ

Pendahuluan

စာရင်းအင်းလောကမှာ သုတေသီတွေ တိကျပြီး ယုံကြည်စိတ်ချရတဲ့ နိဂုံးချုပ်ချက်တွေ ရေးဆွဲနိုင်ဖို့ အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှု နည်းလမ်းအမျိုးမျိုးကို တီထွင်ခဲ့ကြပါတယ်။ စမ်းသပ်လေ့လာမှုတွေနဲ့ စစ်တမ်းတွေမှာ အသုံးအများဆုံး ခွဲခြမ်းစိတ်ဖြာရေးကိရိယာတွေထဲက တစ်ခုက t-test ပါ။ ဒီဆောင်းပါးမှာ t-test ဆိုတာ ဘာလဲ၊ အမျိုးအစားတွေ၊ ဘယ်လိုအလုပ်လုပ်လဲ၊ သိပ္ပံနဲ့ စက်မှုလုပ်ငန်းဆိုင်ရာ သုတေသနတွေမှာ သူ့ရဲ့အသုံးချမှုနဲ့ သက်ဆိုင်မှုတို့ကို အသေးစိတ်ဆွေးနွေးပါမယ်။

T-စစ်ဆေးမှုဆိုတာ ဘာလဲ။

t-test ဆိုသည်မှာ ဒေတာအစုံနှစ်ခု၏ ပျမ်းမျှတန်ဖိုးကြားတွင် သိသာထင်ရှားသော ကွာခြားချက်ရှိမရှိ ဆုံးဖြတ်ရန်အသုံးပြုသည့် စာရင်းအင်းနည်းလမ်းတစ်ခုဖြစ်သည်။ t-test ကို အုပ်စုနှစ်စုကြားတွင် သိသာထင်ရှားသော ကွာခြားချက်မရှိကြောင်း ဖော်ပြသည့် null hypothesis ကို စမ်းသပ်ရန်အသုံးပြုသည်။ t-test ရလဒ်များက အုပ်စုများကြား ကွာခြားချက်သည် သိသာထင်ရှားသည်ဟု ယူဆရလောက်အောင် ကြီးမားကြောင်း ညွှန်ပြပါက null hypothesis ကို ငြင်းပယ်နိုင်သည်။

T-Test ကို ဘာကြောင့် အသုံးပြုတာလဲ။

သုတေသီများ သို့မဟုတ် စက်မှုလုပ်ငန်းလုပ်ကိုင်သူများသည် နမူနာဒေတာအပေါ်အခြေခံ၍ ဆုံးဖြတ်ချက်များချရန် လိုအပ်သည့် အခြေအနေများစွာတွင် t-test သည် အလွန်အသုံးဝင်ပါသည်။ t-test ၏ အသုံးများသော အသုံးချမှုအချို့တွင် အောက်ပါတို့ ပါဝင်သည်-

၁။ ဇီဝဆေးပညာစမ်းသပ်မှုများ- ဆေးဝါးလက်ခံရရှိသောအုပ်စုနှင့် placebo လက်ခံရရှိသောအုပ်စုကို နှိုင်းယှဉ်ခြင်းဖြင့် ဆေးဝါးအသစ်တစ်ခု၏ ထိရောက်မှုကို စစ်ဆေးခြင်း။
၂။ ကမ္ဘာလုံးဆိုင်ရာ စျေးကွက်ရှာဖွေရေး- စျေးကွက်ရှာဖွေရေးလှုပ်ရှားမှုမတိုင်မီနှင့် ပြီးနောက် ရောင်းအားများကို နှိုင်းယှဉ်ခြင်းဖြင့် စျေးကွက်ရှာဖွေရေးလှုပ်ရှားမှုတစ်ခု၏ ရောင်းအားအပေါ် သက်ရောက်မှုကို အကဲဖြတ်ပါ။
၃။ စိတ်ပညာ- ကုထုံးအစီအစဉ်တစ်ခုသည် လူနာအုပ်စုတစ်စုအပေါ် အပြုသဘောဆောင်သော အကျိုးသက်ရောက်မှုရှိမရှိ အကဲဖြတ်ခြင်း။

T-စစ်ဆေးမှု အမျိုးအစားများ

စမ်းသပ်နေတဲ့ အချက်အလက်အမျိုးအစားနဲ့ ယူဆချက်ပေါ်မူတည်ပြီး အသုံးပြုနိုင်တဲ့ t-test အမျိုးအစား အများအပြားရှိပါတယ်။ အသုံးအများဆုံး t-test အမျိုးအစား သုံးမျိုးကို ဖော်ပြပေးလိုက်ပါတယ်။

၁။ နမူနာတစ်ခုတည်းဖြင့် T-စမ်းသပ်မှု

နမူနာတစ်ခု၏ပျမ်းမျှသည် သိရှိထားသော သို့မဟုတ် ယူဆထားသောပျမ်းမျှနှင့် သိသိသာသာကွာခြားမှုရှိမရှိ ဆုံးဖြတ်ရန်အတွက် one-sample t-test ကို အသုံးပြုသည်။ ဥပမာတစ်ခုမှာ ပေးထားသောလူဦးရေ၏ပျမ်းမျှအရပ်ကို အမျိုးသားပျမ်းမျှအရပ်နှင့် နှိုင်းယှဉ်ခြင်းဖြစ်သည်။

၂။ လွတ်လပ်သော နမူနာနှစ်ခု T-စမ်းသပ်မှု

လွတ်လပ်သောအုပ်စုနှစ်စု၏ ပျမ်းမျှတန်ဖိုးကို နှိုင်းယှဉ်ရန်အတွက် လွတ်လပ်သောနမူနာနှစ်ခု t-test ကို အသုံးပြုသည်။ ဤအုပ်စုများသည် များသောအားဖြင့် မတူညီသောလူဦးရေနှစ်ခု သို့မဟုတ် တူညီသောလူဦးရေ၏ နမူနာခွဲများမှ လာလေ့ရှိသည်။ ဥပမာအားဖြင့်၊ မတူညီသောမြို့နှစ်မြို့အကြား ပျမ်းမျှဝင်ငွေကို နှိုင်းယှဉ်ခြင်း။

၃။ တွဲဖက် T-စမ်းသပ်မှု

paired t-test ကို ဆက်စပ်နမူနာနှစ်ခု၏ ပျမ်းမျှတန်ဖိုးကို နှိုင်းယှဉ်ရန် အသုံးပြုသည်။ ဤနမူနာများသည် ကြားဝင်ဆောင်ရွက်မှုမပြုလုပ်မီနှင့် ပြုလုပ်ပြီးနောက် သို့မဟုတ် မတူညီသောအခြေအနေနှစ်ခုအောက်တွင် တူညီသောဘာသာရပ်များတွင် တိုင်းတာမှုများမှ ဆင်းသက်လာသည်။ paired t-test အသုံးချမှု၏ ဥပမာတစ်ခုမှာ အထူးကြပ်မတ်သင်တန်းတက်ရောက်ခြင်းမပြုမီနှင့် ပြုလုပ်ပြီးနောက် ကျောင်းသားများ၏ရမှတ်များကို တိုင်းတာခြင်းဖြစ်သည်။

T-Test အလုပ်လုပ်ပုံ

t-test ပြုလုပ်ရန်အတွက် လိုက်နာရမည့် အဆင့်များစွာရှိပြီး ၎င်းတို့မှာ-

၁။ ယူဆချက်တစ်ခု ဖော်ထုတ်ခြင်း-

– Null Hypothesis (H0): အုပ်စုနှစ်စုအကြား သိသာထင်ရှားသော ကွာခြားချက် မရှိပါ။
– အခြားယူဆချက် (H1): အုပ်စုနှစ်စုကြားတွင် သိသာထင်ရှားသော ကွာခြားချက်တစ်ခုရှိသည်။

၂။ အရေးပါမှုအဆင့်ကို ဆုံးဖြတ်ခြင်း-

သိသာထင်ရှားမှုအဆင့်ကို ပုံမှန်အားဖြင့် \( \alpha = 0.05 \) တွင် သတ်မှတ်ထားပြီး၊ ဆိုလိုသည်မှာ တွေ့ရှိရသည့်ရလဒ်များသည် တိုက်ဆိုင်မှုကြောင့် ဖြစ်ပွားခဲ့နိုင်ခြေ ၅% ရှိသည်ဟု ဆိုလိုသည်။

၃။ ဒေတာများ စုဆောင်းခြင်းနှင့် တွက်ချက်ခြင်း-

စုဆောင်းထားသောဒေတာ၏ ပျမ်းမျှ (\(\bar{X}\)၊ ကွဲလွဲမှု (\(S^2\)) နှင့် နမူနာအရွယ်အစား (n) ကို တွက်ချက်ပါ။

၄။ T တန်ဖိုးတွက်ချက်ခြင်း-

t-test ဖော်မြူလာသည် အသုံးပြုထားသော t-test အမျိုးအစားပေါ် မူတည်၍ ကွဲပြားသည်။ လွတ်လပ်သော နမူနာနှစ်ခု t-test အတွက်၊ အသုံးပြုထားသော ဖော်မြူလာသည်-

\[
t = \frac{\bar{X_1} – \bar{X_2}}{\sqrt{S_p^2 \left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}
\]

ဘယ်နေရာ:
\[
S_p^2 = \frac{(n_1 – 1)S_1^2 + (n_2 – 1)S_2^2}{n_1 + n_2 – 2}
\]

အသုံးပြုထားသော သင်္ကေတကို အောက်ပါအတိုင်း ရှင်းပြထားပါသည်။

– \(\bar{X_1}, \bar{X_2}\): အုပ်စုတစ်ခုစီ၏ ပျမ်းမျှ။
– \(S_1^2, S_2^2\): အုပ်စုတစ်ခုစီ၏ ကွဲလွဲမှု။
– \(n_1, n_2\): အုပ်စုတစ်ခုစီ၏ နမူနာအရွယ်အစား။
– \(S_p^2\): ပူးတွဲကွဲလွဲမှု။

၅။ အရေးကြီးတန်ဖိုးများကို ဆုံးဖြတ်ခြင်း-

t-distribution ဇယားကို အသုံးပြု၍ လွတ်လပ်မှုဒီဂရီ (\(df = n_1 + n_2 – 2\)) နှင့် သတ်မှတ်ထားသော အရေးပါမှုအဆင့်အလိုက် အရေးပါသောတန်ဖိုးကို ရှာဖွေသည်။

၆။ T တန်ဖိုးကို အရေးပါသောတန်ဖိုးနှင့် နှိုင်းယှဉ်ခြင်း-

တွက်ချက်ထားသော t-တန်ဖိုးသည် အရေးပါသောတန်ဖိုးထက် ကြီးပါက၊ null hypothesis ကို ငြင်းပယ်ပါသည်။ ဆန့်ကျင်ဘက်အနေဖြင့်၊ တွက်ချက်ထားသော t-တန်ဖိုးသည် အရေးပါသောတန်ဖိုးထက် ငယ်ပါက၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။

T-Test အသုံးပြုမှုဖြစ်ရပ် ဥပမာ

ဥပမာ ၁: ကုထုံးအသစ်တစ်ခု၏ အကျိုးသက်ရောက်မှုများကို စမ်းသပ်ခြင်း

ဥပမာအားဖြင့်၊ လေ့လာမှုတစ်ခုသည် သတ်မှတ်ထားသောလူဦးရေတွင် စိုးရိမ်စိတ်လက္ခဏာများကို လျှော့ချရန် စိတ်ပိုင်းဆိုင်ရာကုထုံးအသစ်တစ်ခုကို အကောင်အထည်ဖော်ရန် ရည်ရွယ်ပါသည်။ သုတေသီများသည် ပါဝင်သူအုပ်စုတစ်စု၏ ကုထုံးမတိုင်မီနှင့် ကုထုံးပြီးနောက် စိုးရိမ်စိတ်အဆင့်များကို တိုင်းတာသည်။ ထိုသို့ပြုလုပ်ရန်၊ paired t-test ကို အသုံးပြုသည်-

– Null Hypothesis (H0): ကုထုံးမတိုင်မီနှင့် ကုထုံးပြီးနောက် စိုးရိမ်စိတ်အဆင့်တွင် သိသာထင်ရှားသော ကွာခြားချက်မရှိပါ။
– t တန်ဖိုးကို တွက်ချက်ခြင်း၏ ရလဒ်များအရ ကုထုံးသည် ပါဝင်သူများတွင် စိုးရိမ်ပူပန်မှုကို သိသိသာသာ လျှော့ချပေးကြောင်း ပြသသည်။

ဥပမာ ၂: စျေးကွက်ရှာဖွေရေး ကမ်ပိန်းတစ်ခု၏ ထိရောက်မှုကို စမ်းသပ်ခြင်း

စျေးကွက်ရှာဖွေရေးလောကမှာ ကုမ္ပဏီတွေဟာ သူတို့ရဲ့ စျေးကွက်ရှာဖွေရေးလှုပ်ရှားမှုအသစ်တွေဟာ အရင်လှုပ်ရှားမှုတွေထက် ပိုထိရောက်မှုရှိမရှိကို သိချင်လေ့ရှိပါတယ်။ ဒီအခြေအနေမှာ သီးခြားနမူနာနှစ်ခုပါတဲ့ t-test ဟာ သင့်တော်နိုင်ပါတယ်။

– Null Hypothesis (H0): ကမ်ပိန်းမတိုင်မီနှင့် ပြီးနောက် ထုတ်ကုန်ရောင်းချမှုတွင် သိသာထင်ရှားသော ကွာခြားချက်မရှိပါ။
– t-တန်ဖိုးသည် ကာလနှစ်ခုကြားတွင် သိသာထင်ရှားသော ကွာခြားချက်ကို ပြသပါက၊ ကမ်ပိန်းအသစ်ကို အောင်မြင်သည်ဟု ယူဆပါသည်။

နိဂုံး

t-test သည် စာရင်းအင်းပညာတွင် အလွန်အသုံးဝင်သောကိရိယာတစ်ခုဖြစ်ပြီး ဒေတာအစုံနှစ်စုံကြားရှိ ပျမ်းမျှကွာခြားချက်နှင့်ပတ်သက်သည့် ယူဆချက်များကို စမ်းသပ်ရန် သုတေသီများအား ကူညီပေးသည်။ t-test အမျိုးအစားအမျိုးမျိုး (ဥပမာ one-sample t-test၊ independent two-sample t-test နှင့် paired t-test ကဲ့သို့) နှင့် ၎င်းတို့ကို မည်သို့အသုံးပြုရမည်ကို နားလည်ခြင်းဖြင့် သုတေသီများသည် ဒေတာမှထောက်ခံသော ပိုမိုအဓိပ္ပာယ်ရှိသော နိဂုံးချုပ်ချက်များကို ရေးဆွဲနိုင်သည်။

ယေဘုယျအားဖြင့် t-test သည် သုတေသနရလဒ်များကို အကဲဖြတ်ရန်နှင့် ကျန်းမာရေး၊ စိတ်ပညာ၊ ပညာရေး၊ စျေးကွက်ရှာဖွေရေးနှင့် အခြားနယ်ပယ်များတွင် အကောင်းဆုံးလုပ်ဆောင်မှုများကို အသိပေးရန် ဓမ္မဓိဋ္ဌာန်ကျသောနည်းလမ်းတစ်ခုကို ပေးပါသည်။ ဤနည်းလမ်းကို ကျွန်ုပ်တို့ ပိုမိုသေချာစွာ နားလည်ပြီး အသုံးချလေ၊ အချက်အလက်များအပေါ် အခြေခံ၍ ပိုမိုကောင်းမွန်ပြီး ပိုမိုအသိပေးထားသော ဆုံးဖြတ်ချက်များချရန် အခွင့်အလမ်းများလေဖြစ်သည်။