Neste tópico
Etapa 1: determine se a média de teste e a média de referência são equivalentes
Compare o intervalo de confiança com os limites de equivalência. Se o intervalo de confiança estiver completamente dentro dos limites de equivalência, você poderá afirmar que a média da população do teste é equivalente à média da população de referência. Se parte do intervalo de confiança estiver fora dos limites de equivalência, você não poderá afirmar a equivalência.
Diferença: Média(Desconto) - Média(Original)
| Diferença | EP | IC 95% para equivalência | Intervalo de Equivalência |
|---|---|---|---|
| -0,12122 | 0,20324 | (-0,483449; 0,241005) | (-0,5; 0,5) |
Principais resultados: 95% do IC, Intervalo de equivalência
Nesses resultados, o intervalo de confiança de 95% está completamente dentro do intervalo de equivalência definido pelo limite equivalência inferior (LEL) e pelo limite de equivalência superior (UEL). Portanto, você pode concluir que a média do teste é equivalente à média de referência.
Observação
Você também pode usar os valores-p para avaliar os resultados do teste de equivalência. Para demonstrar equivalência, os valores-p para ambas as hipóteses nulas deve ser menor do que alfa.
Etapa 2: Verifique se há problemas nos dados
Problemas com os dados, como assimetrias ou outliers, podem afetar desfavoravelmente seus resultados. Use gráficos para procurar assimetrias (ao examinar a dispersão dos dados) e para identificar os outliers potenciais.
Determine se os dados parecem ser assimétricos
Quando os dados são assimétricos, a maior parte dos dados é direcionada para o lado alto ou baixo do gráfico. Com frequência, a assimetria é mais fácil de identificar com um boxplot ou histograma.
Assimétricos à direita
Assimétricos à esquerda
Por exemplo, o histograma assimétrico à direita mostra dados salariais. A muitos funcionários é paga uma quantidade relativamente pequena, enquanto, cada vez mais, a poucos funcionários são pagos grandes salários. O histograma assimétrico à esquerda mostra dados de taxa de falha. Alguns itens falham antes enquanto um número crescente de itens falham mais tarde.
Os dados que são severamente assimétricos podem afetar a validade dos resultados do teste se sua amostra for muito pequena (< 20 valores). Se seus dados forem severamente assimétricos e você tiver uma pequena amostra, considere aumentar o tamanho amostral.
Identificar outliers
Outliers, que são pontos de dados que estão longe da maioria dos outros dados, podem afetar fortemente os resultados. Os outliers são facilmente identificados em um boxplot.
Em um boxplot, os outliers são identificados por asteriscos (*).
Você deve tentar identificar a causa de qualquer outliers. Corrija os erros de entrada de dados ou de medição. Considere remover os dados que estão associados a causas especiais e repetir a análise. Para obter mais informações sobre causas especiais, acesse Usando cartas de controle para detectar variação de causa comum e variação de causa especial.
Comparar a dispersão dos dados (opcional)
Observação
Para verificar formalmente as variâncias iguais, use o teste para Teste para 2 variâncias .
Nestes gráficos, os dados não parecem estar assimétricos e não são outliers.
A dispersão dos dados não parece ser a mesma para o grupo de teste e o grupo de referência. Portanto, você não deve assumir variâncias iguais para o teste.
