Wprowadzenie do testowania hipotez

Testowanie hipotez to metoda statystyczna służąca do określenia, czy istnieją wystarczające dowody, aby odrzucić hipotezę zerową.

Hipoteza zerowa i alternatywna

W testowaniu hipotez:

• Hipoteza zerowa (H₀) zakłada brak efektu lub różnicy.
• Hipoteza alternatywna (H₁) zakłada występowanie efektu lub różnicy.

Przeprowadzanie testu t

Test t sprawdza, czy średnie w dwóch grupach różnią się istotnie.

data1 <- c(5.1, 6.2, 5.8, 6.5, 5.9)
data2 <- c(7.0, 6.8, 7.5, 7.1, 6.9)
t.test(data1, data2)

Interpretacja wartości p

Wartość p pomaga zdecydować, czy odrzucić H₀:

• Jeśli wartość p < 0.05, należy odrzucić H₀ (wynik istotny).
• Jeśli wartość p > 0.05, nie ma podstaw do odrzucenia H₀ (wynik nieistotny).

Test chi-kwadrat

Test chi-kwadrat sprawdza, czy zmienne kategoryczne są niezależne.

observed <- matrix(c(20, 30, 50, 40), nrow=2)
chisq.test(observed)

Test ANOVA

ANOVA porównuje średnie w wielu grupach.

group1 <- c(5.1, 6.2, 5.8)
group2 <- c(7.0, 6.8, 7.5)
group3 <- c(4.9, 5.5, 5.2)
data <- data.frame(value = c(group1, group2, group3), 
                   group = rep(c('A', 'B', 'C'), each=3))
aov_test <- aov(value ~ group, data = data)
summary(aov_test)

Wielkość efektu

Wielkość efektu mierzy siłę wyniku i pomaga określić jego znaczenie praktyczne.

Ograniczenia testowania hipotez

Testowanie hipotez opiera się na założeniach i może być zależne od liczebności próby oraz jakości danych.

Podsumowanie

W tej lekcji nauczyli się Państwo:

• Jak przeprowadzać testowanie hipotez.
• Jak stosować testy t, test chi-kwadrat i ANOVA.
• Jakie znaczenie mają wartości p i wielkości efektu.