Interpretar todas as estatísticas para Teste para 2 proporções

Encontre definições e orientações interpretação para cada estatística e gráfico fornecido com o teste de 2 proporções.

Diferença: p1 – p2

A diferença é a diferença desconhecida entre as proporções da população que você pretende estimar. O Minitab indica qual proporção da população é subtraída da outra.

N

O tamanho amostral (N) é o número total de observações na amostra.

Interpretação

O tamanho amostral afeta o intervalo de confiança e o poder do teste.

Normalmente, um tamanho amostral grande resulta em um intervalo mais estreito. Uma amostra maior também proporciona ao teste mais poder para detectar uma diferença. Para obter mais informações, vá para O que é potência?.

Evento

O evento é o valor na amostra que representa um sucesso. O Minitab usa o número de eventos para calcular a proporção da amostra, que é uma estimativa da proporção da população. Você pode alterar o valor que o Minitab usa como o evento alterando a ordem de valor. Para obter mais informações, vá para Mudar a ordem de exibição dos valores de texto na saída do Minitab.

Amostra p

A proporção da amostra é igual ao número de eventos dividido pelo tamanho da amostra (N).

Interpretação

A proporção de cada amostra é uma estimativa da proporção da população de cada amostra.

Diferença

A diferença é a diferença entre as proporções das dois grupos.

Como a diferença média está baseada em dados das amostras e não na população total, é improvável que a diferença da amostra seja igual à diferença da população. Para estimar melhor a diferença da população, use o intervalo de confiança da diferença.

Intervalo de confiança (IC) e limites

O intervalo de confiança fornece um intervalo de valores possíveis para a diferença da população. Como as amostras são aleatórias, é improvável que duas amostras de uma população produzam intervalos de confiança idênticos. Porém, se você repetir sua amostra muitas vezes, uma certa porcentagem dos intervalos ou fronteiras de confiança resultantes contém a diferença de população desconhecida. A porcentagem destes intervalos de confiança ou fronteiras que contêm a diferença é o nível de confiança do intervalo. Por exemplo, um nível de confiança de 95% indica que, se você extrair 100 amostras aleatórias da população, poderia esperar que, aproximadamente, 95 das amostras produza intervalos que contêm a diferença da população.

Uma fronteira superior define um valor provável que a diferença da população seja menor. Uma fronteira inferior define um valor provável que a diferença da população seja maior.

O intervalo de confiança ajuda a avaliar a significância prática de seus resultados. Use seu conhecimento especializado para determinar se o intervalo de confiança inclui valores que tenham significância prática para a sua situação. Se o intervalo for muito amplo para ser útil, pense em aumentar o tamanho da amostra. Para obter mais informações, vá para Como obter um intervalo de confiança mais preciso.

Estimativa da diferença IC de 95% para a Diferença Diferença 0,0992147 (0,063671; 0,134759) IC com base na aproximação normal

Nesses resultados, a estimativa da diferença da população em proporções no emprego no verão para alunos e alunas é 0, aproximadamente 0,099. Você pode ter 95% de confiança de que a razão dos desvios padrão da população está entre, aproximadamente, 0,06 e 0,13.

Hipótese nula e hipótese alternativa

As hipóteses nula e alternativa são duas declarações mutuamente exclusivas sobre uma população. Um teste de hipótese usa dados amostrais para determinar se deve rejeitar a hipótese nula.
Hipótese nula
A hipótese nula afirma que um parâmetro da população (como a média, o desvio padrão, e assim por diante) é igual a um valor hipotético. A hipótese nula é, muitas vezes, uma afirmação inicial baseado em análises anteriores ou no conhecimento especializado.
Hipótese alternativa
A hipótese alternativa afirma que um parâmetro da população é menor, maior ou diferente do valor hipotético na hipótese nula. A hipótese alternativa é aquela que você acredita que pode ser verdadeira ou espera provar ser verdadeira.

Na saída, as hipóteses nula e alternativa ajudam a verificar se você inseriu o valor correto para a diferença do teste.

Valor-z

O valor-z é uma estatística de teste para testes Z que mede a diferença entre uma estatística observada e seu parâmetro de população em unidades de erro padrão.

Interpretação

Você pode comparar o valor-z a valores críticos da distribuição normal padrão a fim de determinar se deve rejeitar a hipótese nula. No entanto, o uso do valor-p do teste para fazer a mesma determinação é geralmente mais prático e conveniente.

Para determinar se a hipótese nula deve ser rejeitada, compare o valor-z com seu valor crítico. O valor crítico é Z1-α/2 para um teste bilateral e Z1-α para um teste unilateral. Para um teste bilateral, se o valor absoluto do valor-z for maior do que o valor crítico, você deve rejeitar a hipótese nula. Se o valor absoluto do valor-z for menor do que o valor crítico, você não deve rejeitar a hipótese nula. Você pode calcular o valor crítico no Minitab ou encontrar o valor crítico de uma tabela normal padrão na maioria dos livros de estatística. Para obter mais informações, acesse Usando a função de distribuição acumulada inversa (ICDF) e clique em "Use o ICDF para calcular valores críticos".

O valor-z é usado para calcular o valor-p.

Valor de p

O valor de p é uma probabilidade que mede a evidência contra a hipótese nula. Um valor de p menor fornece uma evidência mais forte contra a hipótese nula.

Interpretação

Use o valor de p para determinar se a diferença nas proporções da população é estatisticamente significativa.

Para determinar se a diferença entre as proporções da população é estatisticamente significativa, compare o valor de p com o nível de significância. Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica que o risco de se concluir que existe uma diferença, quando, na verdade, não existe nenhuma diferença real, é de 5%.
Valor de p ≤ α: A diferença entre as proporções é estatisticamente significativa (rejeite H0)
Se o valor de p for menor ou igual ao nível de significância, você deve rejeitar a hipótese nula. É possível concluir que a diferença entre as proporções da população não é igual à diferença hipotética. Se você não especificar uma diferença hipotética, o Minitab testa se não há diferença entre as proporções (Diferença hipotética = 0)
Valor de p > α: A diferença entre as proporções é estatisticamente significativa (não deve rejeitar H0)
Se o valor de p for maior do que o nível de significância, você não deve rejeitar a hipótese nula. Não há evidências suficientes para concluir que a diferença entre as proporções da população é estatisticamente significativa. Certifique-se de que o teste tenha poder suficiente para detectar uma diferença que seja significativa na prática. Para obter mais informações, acesse Poder e tamanho de amostra para teste para 2 proporções.

O Minitab usa o método de aproximação normal e o método exato de Fisher para calcular os valores de p para o teste de 2 proporções. Se o número de eventos e o número de não eventos for pelo menos 5 em ambas as amostras, utilize o menor dos dois valores de p. Se o número de eventos ou o número de não eventos for inferior a 5 em ambas as amostras, o método de aproximação normal pode ser impreciso. O método exato de Fisher é válido para todas as amostras, mas tende a ser conservador. Um valor de p conservador subestima a evidência contra a hipótese nula.

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política