두 표본 분산에 대한 검정력 및 표본 크기에 대한 분석 옵션 선택

통계분석 > 검정력 및 표본 크기 > 두 표본 분산 > 옵션

대립 가설을 선택하거나 유의 수준을 지정하거나 검정 방법을 선택합니다.

이 항목의 내용

대립 가설
유의 수준
방법

대립 가설

대립 가설에서 검정하려는 가설을 선택합니다.

보다 작음: 한 모집단 표준 편차 또는 모집단 분산이 다른 모집단 표준 편차 또는 모집단 분산보다 작은지 여부를 확인하려면 이 단측 검정을 사용합니다. 이 단측 검정은 검정력이 더 크지만, 한 모집단 표준 편차 또는 모집단 분산이 다른 모집단 표준 편차 또는 모집단 분산보다 큰지 여부를 탐지할 수 없습니다. 이 옵션을 선택하는 경우 두 표본 분산에 대한 검정력 및 표본 크기 대화 상자의 비율에 1보다 작은 값을 입력하십시오.

예를 들어, 한 분석가가 새 기계 성능의 표준 편차가 이전 기계 성능의 표준 편차보다 작은지 여부를 확인하기 위해 이 단측 검정을 사용합니다. 이 단측 검정은 표준 편차의 비율이 1보다 작은지 여부를 탐지하기 위한 검정력은 더 크지만, 비율이 1보다 큰지 여부를 탐지할 수 없습니다.
같지 않음: 두 모집단 표준 편차 또는 두 모집단 분산이 같지 않은지 여부를 확인하려면 이 양측 검정을 사용합니다. 이 양측 검정은 한 모집단 표준 편차 또는 모집단 분산이 다른 모집단 표준 편차 또는 모집단 분산보다 작거나 큰지 여부를 탐지할 수 있지만 단측 검정보다 검정력이 낮습니다.

예를 들어, 한 건강 관리 컨설턴트가 두 병원의 환자 만족도 등급의 분산을 비교하려고 합니다. 분산의 차이가 중요하기 때문에 컨설턴트는 이 양측 검정을 사용하여 한 병원의 분산이 다른 병원보다 크거나 작은지 여부를 확인합니다.
보다 큼: 한 모집단 표준 편차 또는 모집단 분산이 다른 모집단 표준 편차 또는 모집단 분산보다 큰지 여부를 확인하려면 이 단측 검정을 사용합니다. 이 단측 검정은 양측 검정보다 검정력이 크지만, 한 모집단 표준 편차 또는 모집단 분산이 다른 모집단 표준 편차 또는 모집단 분산보다 작은지 여부를 탐지할 수 없습니다. 이 옵션을 선택하는 경우 두 표본 분산에 대한 검정력 및 표본 크기 대화 상자의 비율에 1보다 큰 값을 입력하십시오.

예를 들어, 한 분석가가 이전 압출성형 기계의 분산이 새 압출성형 기계의 분산보다 큰지 여부를 검정합니다. 이 단측 검정은 비율이 1보다 큰지 여부를 탐지하기 위한 검정력은 더 크지만, 비율이 1보다 작은지 여부를 탐지할 수 없습니다.

단측 또는 양측 대립 가설 선택에 대한 자세한 내용은 귀무 가설 및 대립 가설 정보에서 확인하십시오.

유의 수준

귀무 가설(H₀)이 참일 때 검정의 검정력 값을 최소화하려면 유의 수준을 사용합니다. 유의 수준의 값이 높을수록 검정력이 크지만, 귀무 가설이 참일 때 귀무 가설을 기각하는 제1종 오류를 범할 확률이 증가합니다.

일반적으로 0.05의 유의 수준(α 또는 알파로 표시함)이 적절합니다. 0.05의 유의 수준은 실제로 차이가 존재할 때 차이가 존재하지 않는다는 결론을 내릴 위험이 5%라는 것을 나타냅니다. 또한 차이가 없을 때 검정의 검정력이 0.05라는 것을 나타냅니다.

존재할 가능성이 있는 차이를 더 확실히 탐지하려면 더 높은 유의 수준(예: 0.10)을 선택합니다. 예를 들어, 한 품질 엔지니어가 새 볼 베어링의 안정성을 현재 베어링의 안정성과 비교합니다. 불안정한 볼 베어링이 심각한 문제를 일으킬 수 있기 때문에 엔지니어는 새 볼 베어링이 안정적이라는 것을 확인해야 합니다. 따라서 해당 엔지니어는 볼 베어링 안정성의 가능한 차이를 더 확실히 탐지하기 위해 0.10의 유의 수준을 선택합니다.
실제로 존재하는 차이만 더 확실히 탐지하려면 더 낮은 유의 수준(예: 0.01)을 선택합니다. 예를 들어, 한 제약 회사의 과학자는 회사의 새 약품이 증상을 유의하게 완화시킨다는 주장이 참이라는 것을 확인해야 합니다. 과학자는 증상에 유의한 차이가 존재하지 않는다는 것을 더 확실히 확인하기 위해 0.01의 유의 수준을 선택합니다.

방법

Minitab에서 데이터를 분석하기 위해 사용하는 방법을 선택합니다. F-검정은 정규 분포를 기반으로 하며, 정규 분포를 따르는 데이터에 대해서만 정확합니다. 정규성에서 벗어날 경우 검정 결과가 부정확해질 수 있습니다. 그러나 데이터가 정규 분포를 따르는 경우 일반적으로 F-검정이 Levene의 방법보다 더 강력합니다.