İşaret testi hesaplayıcısı ne yapar?
Bu hesaplayıcı, tek bir örneklem veya eşleştirilmiş veriler üzerinde tam bir işaret testi çalıştırır. Her gözlemi önerilen bir değerle karşılaştırır, pozitif ve negatif farkların sayısını sayar ve tam bir binom p-değeri döndürür. Küçük örneklemler, sıralı veriler veya normallik varsayımının şüpheli olduğu durumlar için uygundur ve yalnızca değerlerin önerilen değerin üstüne mi yoksa altına mı düşme eğiliminde olduğunu sorgular.
Nasıl kullanılır?
Test türünü seçin: tek örneklem veya eşleştirilmiş iki örneklem. Alternatif hipotezi seçin: iki yönlü, alt kuyruklu (daha az pozitif) veya üst kuyruklu (daha fazla pozitif). Örnek 1 değerlerini virgül, noktalı virgül, boşluk veya yeni satırla ayırarak girin. Eşleştirilmiş test için örnek 2'yi aynı sayıda ve aynı sırada girin; tek örneklem testinde bu alan yok sayılır. Önerilen değer d0'ı girin (tek örneklem için medyan veya ortalama, eşleştirilmiş veriler için fark). Son olarak, genellikle 0,05 olan alfa değerini belirleyin. En fazla 1000 değer desteklenir.
Formül
Önce farklar hesaplanır. Eşleştirilmiş test için:
$$d_i = x_i - y_i - d_0$$Tek örneklem için \(d_i = x_i - d_0\). \(R_+\), \(d_i > 0\) olan sayıyı, \(R_-\), \(d_i < 0\) olan sayıyı ve \(N = R_+ + R_-\) olsun. İstatistikler \(p = 0.5\) ile binom birikimli olasılıklardır:
$$S_+ = \sum_{j=0}^{R_+} \binom{N}{j}2^{-N},\quad S_- = \sum_{j=0}^{R_-} \binom{N}{j}2^{-N}$$p-değeri alt kuyruk için \(S_+\), üst kuyruk için \(S_-\)'dir; iki yönlü durumda ise:
$$p = \min(1,\ 2\min(S_+, S_-))$$
Kurallar ve varsayımlar
Sıfır olan farklar eşitlik sayılır ve hariç tutulur, dolayısıyla \(N = R_+ + R_-\). Kayan noktalı çıkarma çok küçük kalıntılar bırakabileceğinden, mutlak değeri \(10^{-12}\) değerinden küçük olan bir fark sıfır sayılır. İki yönlü p-değeri, daha küçük kuyruğu ikiye katlar ve sonucu 1 ile sınırlar; bu ikiye katlama kuralı bir tasarım tercihidir, çünkü NIST sayfası bunu belirtmez, ancak yayımlanan alt ve üst çıktılarla uyumludur. Normal yaklaşım veya süreklilik düzeltmesi sunulmaz; yalnızca tam binom değeri hesaplanır. H0, seçilen p-değeri alfa değerine eşit veya daha küçükse reddedilir. Binom dağılımı kesikli olduğundan, elde edilen anlamlılık düzeyi genellikle tam olarak alfaya eşit değildir. Tüm farklar eşitlik ise test hesaplanamaz.
Çözümlü örnek
Örnek 141, 138, 144, 139, 145, 137, 142, 146, 140, 143, önerilen değer \(d_0 = 140\), iki yönlü, \(\alpha = 0.05\) ile tek örneklem testi. Farklar \(R_+ = 6\), \(R_- = 3\) ve bir eşitlik (140 değeri) verir, dolayısıyla \(N = 9\).
$$S_+ = 0.91015625,\quad S_- = 0.25390625$$$$p = \min(1,\ 2 \times 0.25390625) = 0.5078125$$\(0,5078 > 0,05\) olduğundan H0 reddedilmez.
Sonuç nasıl yorumlanır?
Küçük bir p-değeri, pozitif ve negatif farklar arasındaki dağılımın, pozitif ve negatif işaretler eşit olasılıklı olsaydı pek olası olmadığı anlamına gelir. Yukarıdaki gibi büyük bir p-değeri ise verilerin tutarlı bir yön göstermediği anlamına gelir. Test, farkların büyüklüğünü dikkate almaz, bu nedenle büyüklükleri kullanan testlere göre gücü daha düşüktür. Eşitlikleri çıkarmak N'yi azaltır ve dolayısıyla gücü düşürür. H0'ın reddedilmemesi, hipotezin doğru olduğunun kanıtı değildir.
Sık sorulan sorular
İşaret testi hangi varsayımları yapar?
Gözlemler bağımsızdır ve her fark, önerilen değerin ya üstündedir ya da altındadır. H0 altında pozitif işaret sayısı Binom(N, 0,5) dağılımını izler.
Eşitlikler neden çıkarılır?
Sıfır fark bir yön taşımaz. NIST Dataplot kuralını izleyerek eşitlikler hariç tutulur ve etkin örneklem büyüklüğü azalır.
Eşleştirilmiş seçeneği ne zaman kullanmalıyım?
Öncesi ve sonrası ölçümler veya eşleştirilmiş çiftler için kullanın. Hesaplayıcı, örnek 2'yi örnek 1'den çıkarır ve ardından d0'ı çıkarır.
İki yönlü p-değeri neden bazen 1 oluyor?
İşaretler neredeyse dengeli olduğunda daha küçük kuyruğun ikiye katlanması 1'i aşabilir, bu nedenle sonuç 1 ile sınırlandırılır.
Büyük örneklemler için normal yaklaşım kullanılıyor mu?
Hayır. 1000'e kadar olan herhangi bir N için tam binom toplamı hesaplanır.
Kaynaklar
- Dataplot SIGN TEST command, NIST/SEMATECH Dataplot, 2023