İstatistik Sözlüğü → Eşleştirilmiş t-Testi
Eşleştirilmiş t-Testianaliz
Aynı kişilerden ya da birbiriyle eşleştirilmiş birimlerden alınan iki ölçüm arasındaki ortalama farkın sıfırdan gerçekten farklı olup olmadığını sınayan test.
Kavram
Bir müdahalenin etkisini görmenin en doğrudan yolu aynı kişileri önce ve sonra ölçmektir. Bu iki ölçüm birbirinden bağımsız değildir: başlangıçta yüksek değeri olan kişi sonra da çoğu zaman görece yüksek kalır. Eşleştirilmiş t-testi bu bağımlılığı kullanır; kişiler arasındaki büyük farkları hesaptan çıkarır ve yalnız her kişinin kendi içindeki değişime odaklanır. Bu nedenle aynı veriye bağımsız örneklem t-testi uygulamak yanlıştır ve çoğu zaman gerçek bir etkiyi gözden kaçırır.
Test önce her birim için fark puanını hesaplar (d = 1. ölçüm − 2. ölçüm) ve ardından bu farkların ortalamasının sıfırdan farklı olup olmadığına tek örneklem t-testi gibi bakar: t = d̄ / (s_d/√n), serbestlik derecesi n − 1. İki ölçüm arasındaki korelasyon ne kadar yüksekse farkların standart sapması o kadar küçük olur ve test aynı ortalama farkı o kadar kolay yakalar.
Varsayım, fark puanlarının yaklaşık normal dağılmasıdır; ölçümlerin kendilerinin değil. Birimler birbirinden bağımsız olmalıdır. Öncesi-sonrası desende kontrol grubu yoksa gözlenen değişim yalnız müdahaleye bağlanamaz; zamanla kendiliğinden iyileşme, mevsim etkisi ya da ortalamaya gerileme de değişime katkı verebilir. Sonuç, ortalama fark, güven aralığı ve etki büyüklüğüyle birlikte raporlanır.
Ne zaman kullanılır?
- Aynı kişiler iki kez ölçüldüğünde (müdahale öncesi ve sonrası, iki farklı koşul) ya da birimler çiftler hâlinde eşleştirildiğinde (ikizler, sol ve sağ göz, eşleştirilmiş hasta-kontrol çiftleri).
- İki ölçüm farklı, birbirinden bağımsız kişilerden geliyorsa bağımsız örneklem t-testi; aynı kişilerde üç ya da daha fazla ölçüm varsa tekrarlı ölçümler ANOVA kullanılır.
- Fark puanları belirgin biçimde normal dışıysa ve örneklem küçükse Wilcoxon işaretli sıralar testi tercih edilir.
Gündelik bir örnek
Bir şirket, 20 çalışanına sekiz haftalık bir yürüyüş programı uyguluyor ve programdan önce ve sonra dinlenme nabızlarını ölçüyor. Ortalama nabız 78'den 74'e düşüyor. Çalışanların nabızları kişiden kişiye 60 ile 95 arasında çok değişse de her kişinin kendi içindeki değişim daha tutarlıdır: farkların standart sapması 6 atım. Eşleştirilmiş t-testi bu 4 atımlık ortalama düşüşü t(19) ≈ −2,98, p ≈ 0,008 ile anlamlı bulur; farkın %95 güven aralığı yaklaşık 1 ile 7 atım arasında bir düşüşü gösterir.
MerQur'da parametreler
Güven düzeyi (%90, %95, %99, Diğer/özel 80.0-99.9)
Kavram: Güven düzeyi, ortalama fark için verilen aralığın ne kadar 'emin' olacağını belirler; 1'den çıkarıldığında karar için kullanılan anlamlılık eşiği α elde edilir.
Gündelik örnek: %95 güvenle yürüyüş programının nabzı ortalama 1 ile 7 atım düşürdüğü söylenebilir. %99 güven istenirse aralık genişler ve belki 0'a çok yaklaşır.
Ne işe yarar: α = 1 - güven düzeyi.
Sonuca etkisi: Fark GA'sı, d GA'ları, bootstrap GA, tek yönlü GA, karar ve TOST ((1 - 2α) GA) değişir; t ve p değişmez. Özel değer yalnız "Diğer" seçiliyken geçerlidir.
Doğrulama verisinde: pressure için fark GA'sı %90 [-4.8549, 1.1882], %95 [-5.5365, 1.8698], %99 [-7.0589, 3.3922], özel %99.9 [-9.2986, 5.6319].
Hipotez yönü (Çift yönlü, Sağ yönlü, Sol yönlü)
Kavram: Hipotezin yönü, sorunun herhangi bir değişimi mi (çift yönlü) yoksa yalnız artış ya da yalnız azalışı mı (tek yönlü) sorduğunu belirtir. Farkın işareti, hangi ölçümün hangisinden çıkarıldığına bağlıdır.
Gündelik örnek: Program yalnız nabzı düşürüyorsa yararlı sayılacaksa soru tek yönlüdür. Fark 'sonra − önce' diye tanımlanırsa düşüş negatif çıkar ve sol yönlü test seçilir; 'önce − sonra' diye tanımlanırsa aynı düşüş pozitif çıkar ve sağ yönlü test seçilir.
Ne işe yarar: H1: μ_fark ≠ 0, > 0 veya < 0 (fark = 1. ölçüm - 2. ölçüm). Sütun sırası farkın işaretini belirler.
Sonuca etkisi: p tek kuyruklu olur; tek yönlü GA satırı eklenir.
Doğrulama verisinde: pressure için iki yönlü p = 0.299163; sağ yönlü p = 0.850418, tek yönlü %95 GA [-4.8549, ∞]; sol yönlü p = 0.149582, [-∞, 1.1882].
Hedges g (onay kutusu)
Kavram: Fark puanlarına dayanan etki büyüklüğü d_z'nin küçük örneklemlerde etkiyi biraz büyük gösterme eğilimini düzelten sürümüdür.
Gündelik örnek: 20 çalışanla d_z = 0,67 bulunduysa Hedges g yaklaşık 0,64 çıkar. Yalnız 6 çalışan ölçülseydi düzeltme daha büyük olurdu.
Ne işe yarar: d_z'nin küçük örneklem düzeltmesi, g = d_z · J(n - 1) (kesin gamma J).
Sonuca etkisi: Etki büyüklüğü bölümüne satır ekler.
Doğrulama verisinde: pressure için d_z = -0.3146, g = -0.2925. Küçük örneklem düzeltmesi J, df = n - 1 ile hesaplanır.
→ Hedges g
d_av (onay kutusu)
Kavram: Ortalama farkı, fark puanlarının değil iki ölçümün kendi standart sapmalarının ortalamasına böler. Böylece etki, kişiler arasındaki olağan dağınıklık cinsinden ifade edilir ve bağımsız gruplarla yapılmış çalışmaların d değerleriyle karşılaştırılabilir.
Gündelik örnek: Çalışanların nabzı kişiden kişiye yaklaşık 10 atım standart sapmayla değişiyorsa 4 atımlık düşüş d_av ≈ 0,4 eder. Bu, aynı sorunun iki ayrı grupla incelendiği bir çalışmadaki d ile yan yana konabilir.
Ne işe yarar: Ortalama farkı iki ölçümün ortalama SD'sine böler; bağımsız gruplar d'siyle karşılaştırılabilir (Cumming, 2012; Lakens, 2013, denklem 10).
Sonuca etkisi: Yalnız ek satır.
Doğrulama verisinde: pressure için -0.2854 = fark / ((6.9326 + 5.9161)/2); payda iki SD'nin aritmetik ortalamasıdır. anorexia 0.4182.
d_rm (onay kutusu)
Kavram: Tekrarlı ölçümler için önerilen bir etki büyüklüğüdür: iki ölçüm arasındaki korelasyonu hesaba katarak farkı kişiler arası dağınıklık ölçeğine çevirir. Korelasyon yüksek olduğunda d_z'nin etkiyi şişirmesini önler.
Gündelik örnek: Önce ve sonra nabızları güçlü biçimde ilişkiliyse (r ≈ 0,8) farklar çok tutarlıdır ve d_z = 0,67 gibi büyük görünür. d_rm bu ilişkiyi hesaba katarak etkiyi 0,4 civarında, yani kişiler arası ölçekte ifade eder.
Ne işe yarar: Ölçümler arası korelasyonu hesaba katan tekrarlı ölçüm d'si (Lakens, 2013, denklem 9).
Sonuca etkisi: Yalnız ek satır.
Doğrulama verisinde: pressure için -0.2819; payda tekrarlı ölçüm korelasyonunu hesaba katan SD'dir, küçük örneklem düzeltmesi uygulanmaz.
d_z için normal yaklaşımlı GA (onay kutusu)
Kavram: d_z de örneklemden hesaplanan bir tahmindir; bu seçenek onun için normal dağılım yaklaşımına dayanan bir güven aralığı verir. Yaklaşım büyük örneklemlerde iyi çalışır.
Gündelik örnek: d_z = 0,67 için 20 çalışanla aralık kabaca [0,2; 1,1] çıkar; etki orta da olabilir büyük de. 200 çalışan ölçülseydi aralık çok daralırdı.
Ne işe yarar: d ± z·√(1/n + d²/(2n)) büyük örneklem aralığını verir.
Sonuca etkisi: Yalnız ek satır.
Doğrulama verisinde: pressure için %95 [-0.8942, 0.2651] (elle formülle aynı); merkezî olmayan t aralığı [-0.8884, 0.2727]. Küçük n'de nct tercih edilir.
d_z GA, merkezî olmayan t (onay kutusu)
Kavram: d_z'nin güven aralığını yaklaşık formül yerine merkezî olmayan t dağılımından kesin olarak hesaplar; küçük örneklemlerde daha doğrudur.
Gündelik örnek: Yalnız 10 çalışanla normal yaklaşım aralığı olduğundan dar gösterebilir; merkezî olmayan t yöntemi bu durumda daha güvenilirdir. Örneklem büyüdükçe iki aralık birbirine yaklaşır.
Ne işe yarar: d_z için kesin güven aralığını verir.
Sonuca etkisi: Yalnız ek satır; tek yönlü seçimde de iki yönlü aralık verilir.
Doğrulama verisinde: pressure için %95 [-0.8884, 0.2727]; aralık merkezî olmayan t dağılımının tersinden elde edilir.
Shapiro-Wilk ve Kolmogorov-Smirnov (farklar üzerinde, onay kutuları)
Kavram: Eşleştirilmiş t-testinde normallik varsayımı iki ölçümün kendisi için değil, fark puanları için geçerlidir; bu testler farkların çan eğrisi biçiminde dağılıp dağılmadığını sınar.
Gündelik örnek: Önce ve sonra nabızlarının her biri çarpık olsa bile kişilerin nabız değişimleri simetrik dağılıyorsa test geçerlidir. Ama birkaç çalışanın nabzı çok büyük düşmüşse farkların dağılımı bozulur ve normallik testi bunu gösterir.
Ne işe yarar: Farkların normalliğini sınar (K-S için Lilliefors düzeltmesi yoktur).
Sonuca etkisi: Yalnız ek satırlar.
Doğrulama verisinde: pressure için Shapiro W = 0.9007, p = 0.1619. K-S D = 0.1932, p = 0.6938 (bağlı veride kesin dağılımdan).
Betimsel (onay kutusu)
Kavram: İki ölçümün ve fark puanlarının özetini verir. Farkın standart sapmasının iki ölçümün standart sapmalarından küçük olması, eşleştirmenin kişiler arası dağınıklığı ne kadar ayıkladığını gösterir.
Gündelik örnek: Tabloda önce ve sonra nabızlarının standart sapması 10 atım, farkınki 6 atım görünür. Bu, çalışanların birbirinden çok farklı olduğunu ama her birinin kendi içinde benzer biçimde değiştiğini anlatır.
Ne işe yarar: İki ölçüm ve fark için n, ortalama, SD, SE, en küçük, en büyük, çarpıklık ve basıklığı verir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: pressure için fark M = -1.8333, SD = 5.8284, en küçük -9, en büyük 8, çarpıklık 0.573, basıklık -0.552 (düzeltilmiş G1/G2).
Bootstrap GA (onay kutusu)
Kavram: Ortalama farkın güven aralığını formül yerine, fark puanlarından yerine koyarak binlerce yeni örneklem çekip her birinin ortalamasını hesaplayarak bulur; farkların normal dağılmasını gerektirmez.
Gündelik örnek: 20 çalışanın nabız değişimleri kartlara yazılıp bir torbaya konur; torbadan yerine koyarak 20 kart çekilip ortalama alınır. Binlerce tekrarda ortalamaların ortadaki %95'inin kapladığı aralık güven aralığını verir.
Ne işe yarar: Ortalama fark için yüzdelik bootstrap GA verir.
Sonuca etkisi: Yalnız ek satır.
Doğrulama verisinde: pressure için %95 [-4.8333, 1.4167] (t GA'sı [-5.5365, 1.8698]); sınırlar yeniden örneklemeye bağlı olarak Monte Carlo hata payı kadar değişebilir.
Eşdeğerlik testi, TOST (onay kutusu; alt ve üst sınır)
Kavram: İki ölçümün 'farklı olmadığını' değil, pratikte 'eşdeğer olduğunu' göstermek için kullanılır; önemsiz sayılacak fark aralığı önceden belirlenir ve ortalama farkın bu aralığın içinde kaldığı iki tek yönlü testle sınanır.
Gündelik örnek: Şirket, ucuz bir bilek nabızölçerin pahalı göğüs bandıyla aynı sonucu verip vermediğini merak ediyor ve ±2 atımlık farkı önemsiz sayıyor. Aynı çalışanlar iki cihazla ölçülür; TOST ortalama farkın ±2 atım içinde kaldığını gösterirse ucuz cihaz eşdeğer kabul edilir.
Ne işe yarar: Farkın [alt, üst] sınırları içinde olup olmadığını iki tek yönlü testle sınar.
Sonuca etkisi: Yalnız TOST satırları; sınırlar TOST kapalıyken etkisizdir, alt >= üst ise analiz uyarıyla durur.
Doğrulama verisinde: pressure için ±0.5: p_TOST = 0.7776; ±6: p_TOST = 0.0154, %90 GA [-4.8549, 1.1882] sınırlar içinde (eşdeğer); ±3: p_TOST = 0.2512.
Grafik (bireysel çizgiler, fark histogramı ve normal eğri, farkların Q-Q grafiği, Bland-Altman)
Kavram: Bireysel çizgiler her kişinin önceden sonraya değişimini, fark histogramı ve Q-Q grafiği farkların dağılımını gösterir. Bland-Altman grafiği farkı iki ölçümün ortalamasına karşı çizer; farkın ölçülen düzeye göre değişip değişmediğini ve uyum sınırlarını (ortalama fark ± 1,96 standart sapma) görünür kılar.
Gündelik örnek: Bireysel çizgilerde çalışanların çoğunun çizgisinin aşağı indiği, birkaçınınkinin yükseldiği görülür. Bland-Altman grafiği ise nabzı yüksek olanların daha çok düştüğünü ortaya koyabilir; bu da tek bir ortalama farkın her çalışanı eşit temsil etmediğini gösterir.
Ne işe yarar: Grafik sekmesindeki çizimi seçer.
Sonuca etkisi: Sayısal sonuçlar değişmez.
Doğrulama verisinde: Grafikte ortalamalar, fark ortalaması ve Bland-Altman sınırları Δ̄ ± 1.96·SD = [-13.2569, 9.5903] gösterilir (Bland ve Altman, 1986).
Gerçek veride örnek
Veri: Hand vd. 1993, R MASS::anorexia (n = 72)
Değişkenler: 1. ölçüm Postwt (tedavi sonrası kilo), 2. ölçüm Prewt (tedavi öncesi kilo)
- Soru: Anoreksi tanılı 72 hastanın tedavi sonrası kilosu (Postwt) tedavi öncesi kilosundan (Prewt) farklı mı?
- Varsayım: Fark puanlarında Shapiro-Wilk W = 0.975, p = 0.154; farkların normalliği karşılanır.
- Sonuç: t(71) = 2.94, p = .004. Sıfır hipotezi reddedilir: tedavi sonrası ortalama kilo (85.17) öncesinden (82.41) yüksektir.
- Etki büyüklüğü: Cohen d_z = 0.35; küçük-orta düzeyde bir etki.
- Betimsel: Ortalama artış 2.76 lb (SE = 0.941), %95 GA [0.89, 4.64]; ön ve son ölçümler arasındaki korelasyon r = 0.33 (p = .004) olup eşleştirmenin gücünü sınırlar.
- Sınırlılık: Veri üç tedavi grubunu (kontrol dahil) birlikte içerir; artışın tedaviye bağlanması için grup karşılaştırması gerekir.
- APA: t(71) = 2.94, p = .004, d = 0.35.
İlgili kavramlar
Eşdeğerlik testi (TOST)Hedges gHistogram ve kutu (bin) sayısıBootstrap (yeniden örnekleme)Asimptotik (normal) yaklaşımEşleştirilmiş ölçümlerde Cohen d (d_z, d_av, d_rm)Tek yönlü ve çift yönlü test (hipotez yönü)Shapiro-Wilk testi
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.