আমি ছাত্রদের টি-টেস্ট সম্পর্কে পড়েছি তবে এটি আসল মনে হয় যখন আমরা ধরে নিতে পারি যে মূল বিতরণটি সাধারণত বিতরণ করা হয়। আমার ক্ষেত্রে, তারা অবশ্যই না।
এছাড়াও, আমার যদি 13 টি বিতরণ থাকে তবে আমার কি 13^2পরীক্ষা করা দরকার ?
উত্তর:
বেশ কয়েকটি ইন্দ্রিয় রয়েছে যা "এটি নির্ভর করে"।
(একটি সম্ভাব্য উদ্বেগ হ'ল এটি মনে হচ্ছে যে মূল ডেটা সম্ভবত আলাদা হতে পারে; এটি স্পষ্ট করা উচিত))
নমুনা আকারের উপর নির্ভর করে, অ-স্বাভাবিকতা টি-টেস্টের মতো এত বড় সমস্যা নাও হতে পারে। বড় আকারের নমুনাগুলির জন্য কমপক্ষে সাধারণত ভাল স্তর-দৃust়তা থাকে - টাইপ আই ত্রুটির হারগুলি খুব স্বাভাবিকভাবে প্রভাবিত হওয়া উচিত নয় যদি এটি সত্যিকারের থেকে দূরে না থাকে। ভারী লেজযুক্ত পাওয়ার আরও বেশি সমস্যা হতে পারে।
যদি আপনি বিতরণে কোনও ধরণের পার্থক্য সন্ধান করেন তবে ফিট টেস্টের দ্বি-নমুনা সদৃশতা যেমন দুটি নমুনা কলমোগোরভ-স্মারনভ পরীক্ষা উপযুক্ত হতে পারে (যদিও এর পরিবর্তে অন্যান্য পরীক্ষাও করা হতে পারে)।
আপনি যদি কোনও অবস্থান-পরিবারে অবস্থানের-ধরণের পার্থক্য, বা কোনও স্কেল পরিবারে স্কেল পার্থক্যগুলি, বা এমনকি একটি পি (এক্স> ওয়াই)> পি (ওয়াই> এক্স) ধরণের সম্পর্ক সন্ধান করেন তবে উইলকক্সন-মান-হুইটনি দুটি নমুনা পরীক্ষা উপযুক্ত হতে পারে।
আপনি পুনরায় স্যাম্পলিং টেস্টগুলি যেমন পারমিটেশন বা বুটস্ট্র্যাপ টেস্টগুলি বিবেচনা করতে পারেন, যদি আপনি সংবেদনশীলতা পেতে চান এমন পার্থক্যের (গুলি) জন্য উপযুক্ত পরিসংখ্যান খুঁজে পেতে পারেন।
এছাড়াও, আমার যদি 13 টি বিতরণ থাকে তবে আমার কি 13 ^ 2 পরীক্ষা করা দরকার?
ভাল, না ।
এই দুটি জিনিসই জুটিযুক্ত তুলনা 169 থেকে 78 এ কেটে গেছে।
তৃতীয়ত, কোনও পার্থক্যের জন্য সম্মিলিতভাবে পরীক্ষা করা অনেক বেশি স্বাভাবিক (তবে বাধ্যতামূলক নয়) হবে এবং তারপরে, প্রথম শূন্যতা প্রত্যাখ্যান করা হলে উত্তর-পরবর্তী যুগের পরীক্ষাতে যুগলভাবে পার্থক্যগুলি দেখা উচিত।
উদাহরণস্বরূপ, উপরের আইটেম 3 হিসাবে উইলকক্সন-মান-হুইটনিটির স্থলে, কেউ ক্রুসকল-ওয়ালিস পরীক্ষা করতে পারেন, যা গ্রুপগুলির মধ্যে অবস্থানের কোনও পার্থক্যের জন্য সংবেদনশীল।
এছাড়াও কোলমোগোরভ-স্মারনভ পরীক্ষার কে-স্যাম্পল সংস্করণ রয়েছে এবং ফিট টেস্টের অন্যান্য দু'-নমুনা সদৃশতার কিছু অনুরূপ পরীক্ষার উপস্থিতি থাকতে পারে বা নির্মিত হতে পারে।
এছাড়াও পুনরায় মডেলিং পরীক্ষার কে-স্যাম্পল সংস্করণ রয়েছে এবং টি-টেস্টের (যেমন আনোভা, যা নমুনার আকারগুলি যথাযথভাবে বড় হলে ঠিক হতে পারে)।
আমরা কী নিয়ে কাজ করছি এবং কোন ধরণের পার্থক্য সম্পর্কে আপনি সবচেয়ে বেশি আগ্রহী সে সম্পর্কে আরও তথ্য পেয়ে সত্যিই সুন্দর লাগবে; বা এটি ব্যর্থ হয়ে, কিছু নমুনার কিউকিউ প্লট দেখতে।
হ্যাঁ, আমি মনে করি আপনি অন্যদের বিরুদ্ধে প্রতিটি বিতরণ পরীক্ষা করার চেয়ে ভাল করতে পারবেন না ...
যদি মনে করেন যে আপনার প্রশ্নটি এইটির সাথে সম্পর্কিত: 2 টি বিতরণের তুলনা
আপনি কোলমোগোরভ-স্মারনভ পরীক্ষা বা ক্র্যামার-ভন মাইজেস পরীক্ষা ব্যবহার করার পরামর্শ দেন। এগুলি উভয়ই অত্যন্ত ধ্রুপদী পরীক্ষার পরীক্ষা।
ইন R, ks.testপরিসংখ্যান প্যাকেজ মধ্যে ফাংশন প্রথম এক প্রয়োগ করে। দ্বিতীয়টি প্যাকেজগুলির মতো পাওয়া যায় cramer।
আপনি বৈকল্পিকের ক্রুসকল – ওয়ালিস একমুখী বিশ্লেষণ চেষ্টা করতে পারেন
"এটি দুটি অধিক নমুনার তুলনা করার জন্য ব্যবহৃত হয় যা স্বতন্ত্র বা সম্পর্কিত নয়"
আনোভা এবং আনকোভা পরিচয় করিয়ে এএনওএ-র সাধারণ লঙ্ঘন নিয়ে আলোচনা করা হয়েছিল : একটি জিএলএম পদ্ধতি 9.1.2 সাধারণ লঙ্ঘন
প্রথম লাইনটি রয়েছে "যদিও বেশিরভাগ উত্স আনোভা রিপোর্ট করেছে ... স্বাভাবিকতা অনুমানের লঙ্ঘনের ক্ষেত্রে দৃ rob় হিসাবে ..."