Z-testi ja Chi-neliö ovat kaksi erilaista tilastollista hypoteesitestausta. Molemmat testit antavat vaihtoehtoisen näkökulman nollaarvon hypoteeseihin.
Keskeiset ostokset
- Tilastolliset testit: Z-testi on hypoteesitesti, jossa käytetään normaalia normaalijakaumaa vertaamaan otostilastoa populaatioparametriin. Sitä vastoin khin neliötesti on ei-parametrinen, ja siinä verrataan havaittuja taajuuksia odotettuihin taajuuksiin nollahypoteesin mukaisesti.
- Tietotyyppi: Z-testiä käytetään jatkuvalle tiedolle, kun taas khin neliötestiä käytetään kategorisille tiedoille.
- Sovellukset: Z-testiä käytetään yksittäisen populaation keskiarvon tai osuuden testaamiseen, kun taas chi-neliö-testiä käytetään riippumattomuuden, sovituksen hyvyyden tai homogeenisuustesteihin.
Z-Test vs Chi-Square
Z-testiä käytetään, kun otoskoko on suuri ja populaation keskihajonnan tiedossa, käytetään hypoteesien testaamiseen normaalin populaation keskiarvosta. Chi-neliötestiä käytetään, kun otoskoko on pieni, joten sillä testataan hypoteeseja kategorisen muuttujan jakaumasta.
Z-testi käytetään suurten näytteiden (n>30) ongelmien ratkaisemiseen. Sitä on helpompi käyttää, kun standardipoikkeama on saatavissa.
Chi-neliötestiä käytettiin testaamaan kategorioiden välisiä suhteita arvot. Khi-neliön nollahypoteesit sanovat, että perusjoukon kahden kategorisen muuttujan tulee olla riippumattomia.
Vertailu Taulukko
Vertailuparametri | Z-testi | Chi-neliö |
---|---|---|
Käytetty tilasto | Vaihtoehtoisen hypoteesin testaamiseen käytettyjä tilastoja kutsutaan Z-tilastoiksi. | Nollahypoteesin testaamiseen käytettyjä tilastoja kutsutaan khi-neliötilastoksi. |
Nolla- ja vaihtoehtoiset arvot | Virheellinen: Otoskeskiarvo on sama kuin populaation keskiarvo. | Nolla: Sekä muuttujat C että D ovat riippumattomia. |
Vaihtoehtoisesti voidaan sanoa, että otoskeskiarvon ja populaation keskiarvon tulosten tulisi olla erilaisia. | Vaihtoehto: Sekä muuttuja A että muuttuja B eivät ole riippumattomia. | |
olosuhteet | Keskihajonnan tulee olla tiedossa. Otoskoon tulee olla riittävän suuri, muuten z-testi ei välttämättä toimi hyvin. Testitilastojen tulee noudattaa normaalijakaumaa. | Jokaisella muuttujatasolla tulee olla vähintään viisi havaintoa. Testi voidaan tehdä vain, jos on kategorisia arvoja. Otantamenetelmän tulee olla yksinkertainen ja satunnainen. |
Kaava | z = (x-μ)/(σ / √n) Missä, x = näytteen keskiarvo. μ = väestön keskiarvo. σ / √n = keskihajonta. | Χ2 = Σ(O − E)2/E Missä, O = jokainen havaittu (todellinen) arvo E = jokainen odotettu arvo |
käytät | Määrittää, ovatko kahdesta populaatiosta saadun kahden keskiarvon tulokset erilaisia, kun varianssi ja tiedot ovat suuria | Se käyttää kategorista dataa vertaaessaan kahta tai useampaa ryhmää, joissa arvot mainitaan. |
Mikä on Z-Test?
Z-testi ei ole muuta kuin eräänlainen hypoteesitesti. Näytteet jaetaan testin aikana. Sitä käytetään vain keskihajonnan ollessa kyseessä ja näytetietojen tulee aina olla laaja (n>30).
Toisin sanoen se vahvistaa hypoteesit, jotka otos on tehnyt samalle populaatiolle.
Z-testin suorittamiseen vaadittavat ehdot:
- Esimerkkitietojen tulee olla suurempi kuin 30.
- Datapisteiden tulee olla toisistaan riippumattomia; eli ei pitäisi olla yhtäläisyyksiä tai päällekkäisyyksiä.
Kuinka suorittaa Z-testi?
- Ensin on ilmoitettava nolla (H0) ja vaihtoehtoinen hypoteesi (HA).
- Valitse sitten alfataso.
Minulle neuvotaan, että Z-testin tulee analysoida nollahypoteesi, kun data on suuressa mittakaavassa ja keskihajonta tiedetään.
Mikä on Chi-neliö?
Chi-neliötesti määritellään parhaiten tilastolliseksi hypoteesitestiksi. Tätä testiä käytetään joko ryhmän vertaamiseen arvolla tai useiden ryhmien vertaamiseen kategorisilla tiedoilla.
Tämän testin etuna on annettujen tietojen luotettavuus. Sitä voidaan käyttää vain, kun kaksi kategorista muuttujaa liittyy johonkin populaatioon.
Chi-neliötesti on hyvyyssovitustilasto, koska se mittaa, kuinka hyvin havaintotiedot sopivat hajautettujen tietojen kanssa. Se voi tapahtua vain, kun kaksi annettua muuttujaa ovat riippumattomia.
Tärkeimmät erot Z-testin ja Chi-neliön välillä
- Z-testissä näytteet jakautuvat tasaisesti, kun taas Chi-neliössä näytteen tulee olla yksinkertainen ja satunnaisesti valittu annetusta populaatiosta.
- Molemmissa testeissä käytettiin erilaisia menetelmiä, mutta niitä käytettiin antamaan vaihtoehtoisia hypoteeseja nollaarvohypoteesille.
- https://www3.nd.edu/~kyuan/papers/nest-chisq-z.pdf
- https://www.sciencedirect.com/science/article/pii/S0167947313003204
Viimeksi päivitetty: 11. kesäkuuta 2023
Emma Smith on suorittanut englannin maisterintutkinnon Irvine Valley Collegesta. Hän on toiminut toimittajana vuodesta 2002 ja kirjoittanut artikkeleita englannin kielestä, urheilusta ja laista. Lue lisää minusta hänestä bio-sivu.
Artikkeli olisi voinut syventää todellisia sovelluksia ja esimerkkejä siitä, milloin kutakin testiä tulisi käyttää.
Olen samaa mieltä, käytännön esimerkit olisivat olleet hyödyllisiä.
Artikkeli tarjoaa selkeän erittelyn Z-testistä ja Chi-neliosta. Se on loistava johdanto niille, jotka eivät tunne näitä käsitteitä.
Varmasti hyvä lähtökohta jollekulle, joka on uudet tilastot.
Viesti on kuin hyödyllinen työkalu Z-testin ja Chi-neliön välisten erojen ymmärtämiseen, hienoa työtä!
Oivaltavaa luettavaa, on hyvä, että nämä käsitteet rajataan selkeästi.
En voisi olla enempää samaa mieltä, informatiivinen pala, joka hajottaa nämä tilastolliset testit.
Viesti osoittaa selkeän eron Z-testin ja Chi-neliö-testin välillä, mikä antaa lukijoille erittäin opettavaisen ja informatiivisen katsauksen aiheeseen.
Olen samaa mieltä, nämä testit ovat hämmentyneitä ja on virkistävää nähdä ne molemmat selkeästi selitettyinä.
Toivoin tarkempaa selitystä siitä, milloin kutakin testiä tulee käyttää. Minusta tuntuu, että tuo kohta oli hieman yliviivattu.
En usko, että tämän artikkelin yksityiskohtien taso oli tarpeen.
Olen samaa mieltä, että syvällisempi tarkastelu todellisen maailman sovelluksiin olisi ollut hyödyllistä.
Kattava artikkeli, jossa selitetään Z-testi ja Chi-neliö, hyvin tehty!
Erittäin hyvin kirjoitettu, hyvä referenssi näihin tärkeisiin tilastollisiin testeihin.
Artikkeli on melko informatiivinen, mutta voisi hyötyä kiinnostavammasta sävystä. Tilastot voivat olla joillekin lukijoille kuivia ja vaikeita.
Mielestäni artikkelin suoraviivaisuus on sen vahvuus.
Olen samaa mieltä, kiinnostavampi ääni hyödyttäisi vähemmän dataa taipuvaisia lukijoita.
Artikkeli tarjoaa perusteellisen vertailun Z-testin ja Chi-neliön välillä, jolloin lukijoiden on helpompi ymmärtää kunkin testin vivahteita.
On todella tärkeää tietää, milloin mitäkin testiä käytetään, ja tämä artikkeli auttaa siinä.
Samaa mieltä, ei ole enää tilaa sekaannukselle tämän artikkelin lukemisen jälkeen.
Arvostan vertailuja, se on niin tärkeä osa näiden tilastomenetelmien ymmärtämistä.
Ehdottomasti vertailut selventävät eroja ja auttavat tietämään, milloin kutakin testiä tulee käyttää.
Vertailujen ja kuvien käyttö artikkelissa todella auttaa vahvistamaan ymmärrystä Z-testeistä ja Chi-neliöistä.
Ehdottomasti visuaaliset apuvälineet ja selkeät esimerkit voivat parantaa oppimiskokemusta huomattavasti.