Interpretar os principais resultados para Teste t para 2 amostras

Conclua as etapas a seguir para interpretar um teste t com 2 amostra. A saída principal inclui a estimativa para diferença, o intervalo de confiança e o valor de p e vários gráficos.

Etapa 1: Determine um intervalo de confiança para a diferença nas médias de população

Primeiro, considere a diferença nas médias das amostras e depois examine o intervalo de confiança.

A diferença é uma estimativa da diferença nas médias da população. 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.

O intervalo de confiança fornece um intervalo de valores prováveis para a diferença entre duas médias de população.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. 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 21,00 (14,22; 27,78)
Principais resultados: Estimativa para diferença, IC de 95% para diferença

Nesses resultados, a estimativa da diferença da população em médias, em taxas hospitalares é de 21. Você pode ter 95% de confiança de que a média da população para a diferença está entre 14,22 e 27,78.

Etapa 2: Determine se a diferença é estatisticamente significativa

Para determinar se a diferença entre as médias 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 médias 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 médias da população não é igual à diferença hipotética. Se você não especificar uma diferença hipotética, o Minitab testa se não há diferença entre as médias (Diferença hipotética = 0)
Valor de p > α: A diferença entre as médias não 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 médias 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 t para 2 amostras.

Valor-T GL Valor-p 6,31 32 0,000

Teste Hipótese nula H₀: μ₁ - µ₂ = 0 Hipótese alternativa H₁: μ₁ - µ₂ ≠ 0
Resultados principais: valor-p

Nestes resultados, a hipótese nula indica que a diferença na classificação média entre dois hospitais é 0. Como o valor-p é menor do que 0,00, que é menor que o nível de significância de 0,05, a decisão é pela rejeição da hipótese nula e conclui-se que as classificações dos hospitais são diferentes.

Etapa 3: verifique se há problemas em seus dados

Problemas com os seus dados, como a assimetria e valores outliers, podem afetar negativamente seus resultados. Use gráficos para procurar por assimetria (examinando a dispersão de cada amostra) e para identificar outliers potenciais.

Examine a dispersão de seus dados para determinar se eles parecem ser assimétricos.

Quando os dados são assimétricos, a maioria dos dados está localizada no lado alto ou baixo do gráfico. Muitas vezes, é mais fácil detectar a assimetria com um histograma ou boxplot.

Assimétrico à direita
Assimétrico à esquerda

O boxplot com dados assimétricos à direita mostra os tempos de espera. A maioria dos tempos de espera são relativamente curtos e apenas alguns tempos de espera são longos. O boxplot com dados assimétricos à esquerda mostram dados de tempo de falha. Alguns itens falham imediatamente e muitos outros itens falham posteriormente.

Os dados que são extremamente assimétricos podem afetar a validade do valor de p se a suas amostras forem pequenas (ou se a amostra for inferior a 15 valores). Se seus dados forem extremamente assimétricos e você tiver uma amostra pequena, considere aumentar o tamanho amostral.

Saída da amostra

Nestes boxplots, os dados para Hospital B parecem ser severamente assimétricos.

Identificar outliers

Outliers, que são valores de dados que estão distantes de outros valores de dados, podem afetar fortemente os resultados de sua análise. Muitas vezes, os outliers são mais fáceis de serem identificados em um boxplot.

Em um boxplot, asteriscos (*) denotam outliers.

Tente identificar a causa de todos os outliers. Corrija todos os erros de entrada de dados ou de medição. Considere a remoção de valores de dados para eventos anormais de ocorrência única (também chamados de causas especiais). Depois, repita a análise. Para obter mais informações, acesse Identificação de outliers.

Saída da amostra

Nestes boxplots, os dados para Hospital B parecem ter 2 outliers.

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