t test

t-test တွေဖြစ်တဲ့ Student’s t, Paired t, Independent t တို့ကို ရှင်းပြပေးချင်ပါတယ်။

အခြေခံအားဖြင့် t-test ဆိုတာ စာရင်းအင်းနည်းလမ်း (statistical hypothesis test) တစ်မျိုးပါ။ ဒါဟာ Inferential Statistics (ကောက်ချက်ဆွဲသော စာရင်းအင်း) အမျိုးအစားထဲကဖြစ်ပြီး၊ ကျွန်တော်တို့မှာရှိတဲ့ နမူနာအချက်အလက် (sample data) တွေကို အသုံးပြုပြီး၊ အဲဒီနမူနာတွေယူထားတဲ့ ပိုကြီးတဲ့ လူဦးရေစု (population) ကြီးရဲ့ အချက်အလက်တွေအကြောင်း ကောက်ချက်ဆွဲဖို့ (သို့) ခန့်မှန်းဖို့အတွက် အသုံးပြုပါတယ်။ အဓိကအားဖြင့် အုပ်စုနှစ်စု (သို့မဟုတ် အခြေအနေနှစ်ခု) ရဲ့ ပျမ်းမျှ (mean) တွေ တကယ်ပဲ ကွာခြားမှုရှိရဲ့လားဆိုတာကို စစ်ဆေးတာပါ။

t-test ကို အသုံးပြုတဲ့ အဓိကအခြေအနေတွေကတော့ ကျွန်တော်တို့ရဲ့ နမူနာအရေအတွက် (sample size) က ၃၀ ထက် နည်းနေတဲ့အခါ (သို့မဟုတ်) population variance (လူဦးရေစုရဲ့ ပျံ့နှံ့မှု) ကို မသိတဲ့အခါမျိုးမှာ ဖြစ်ပါတယ်။

ကဲ၊ t-test အမျိုးအစားတွေကို တစ်ခုချင်းစီ ကြည့်ရအောင်။

• One-Sample T-test

    ◦ ဒီ t-test အမျိုးအစားကို အုပ်စုတစ်စုတည်းမှာရှိတဲ့ continuous data (ဥပမာ- လူအုပ်စုတစ်စုရဲ့ ပျမ်းမျှအသက်) ကို၊ လူဦးရေစုကြီးရဲ့ သိထားတဲ့ (သို့မဟုတ်) ခန့်မှန်းထားတဲ့ ပျမ်းမျှတန်ဖိုး (population mean) နဲ့ နှိုင်းယှဉ်ချင်တဲ့အခါ အသုံးပြုပါတယ်။ ဥပမာ- ဆေးကျောင်းသားတွေရဲ့ ပျမ်းမျှအိပ်ချိန်က တစ်နေ့ကို ၈ နာရီ ရှိ၊ မရှိ စစ်ဆေးချင်တဲ့အခါမျိုးမှာပေါ့။
    ◦ ဒီနေရာမှာ ကျွန်တော်တို့မှာရှိတဲ့ နမူနာပျမ်းမျှ (sample mean) ဟာ Population mean နဲ့ တူညီမှုမရှိဘူးလို့ ကောက်ချက်ဆွဲဖို့ လုံလောက်တဲ့ သက်သေအထောက်အထား ရှိ၊ မရှိ သိနိုင်ပါတယ်။

• Independent Samples T-test

    ◦ ဒီ t-test ကို သီးခြားလွတ်လပ်တဲ့ အုပ်စုနှစ်စုရဲ့ continuous data ပျမ်းမျှတွေကို နှိုင်းယှဉ်ချင်တဲ့အခါ အသုံးပြုပါတယ်။ ဥပမာ- ဆေးသစ်တစ်မျိုးသောက်တဲ့လူနာအုပ်စုနဲ့ ဆေးဟောင်းသောက်တဲ့ လူနာအုပ်စုနှစ်စုရဲ့ သွေးပေါင်ချိန်ပျမ်းမျှတွေ ကွာခြားမှုရှိ၊ မရှိ စစ်ဆေးတာမျိုးပေါ့။ အုပ်စုနှစ်ခုက တစ်ခုနဲ့တစ်ခု ဆက်စပ်မှုမရှိဘဲ လွတ်လပ်နေရပါမယ်။
    ◦ ဒီ test ကိုလုပ်တဲ့အခါ Levene’s test (လီဗင်း စစ်ဆေးမှု) ဆိုတာကိုလည်း အရင်စစ်ဆေးလေ့ရှိပါတယ်။ ဒီ Levene’s test ရဲ့ p-value (အဓိပ္ပါယ်- ဖြစ်နိုင်ခြေတန်ဖိုး) က 0.05 ထက်နည်းရင် အုပ်စုနှစ်ခုရဲ့ variance (ပျံ့နှံ့မှု) တွေက မတူညီဘူးလို့ ယူဆပြီး သင့်လျော်တဲ့ စာရင်းအင်း တွက်နည်းကို ရွေးချယ်ရပါတယ်။

• Paired Samples T-test

    ◦ ဒီ t-test ကိုတော့ ဆက်စပ်မှုရှိတဲ့ အုပ်စုနှစ်စု (သို့မဟုတ်) တစ်အုပ်စုတည်းက လူတွေကို အခြေအနေနှစ်ခုမှာ တိုင်းတာထားတဲ့ continuous data တွေရဲ့ ပျမ်းမျှတွေကို နှိုင်းယှဉ်တဲ့အခါ အသုံးပြုပါတယ်။ ဥပမာ- လူနာတစ်အုပ်စုတည်းရဲ့ ဆေးမသောက်ခင် သွေးပေါင်ချိန်နဲ့ ဆေးသောက်ပြီး သွေးပေါင်ချိန် ကွာခြားမှုရှိ၊ မရှိ စစ်ဆေးတာမျိုး၊ ဒါမှမဟုတ် အမြဲတမ်းတွဲဖက်လေ့လာရတဲ့ လေ့လာမှုတွေ (ဥပမာ- ညီအစ်ကို မောင်နှမနှစ်ယောက်ရဲ့ IQ ကွာခြားမှု) မျိုးမှာ အသုံးပြုပါတယ်။

P-value (ဖြစ်နိုင်ခြေတန်ဖိုး) t-test တွေရဲ့ ရလဒ်တွေကို p-value နဲ့ အဓိပ္ပါယ်ဖွင့်ဆိုလေ့ရှိပါတယ်။
• P-value ဆိုတာ ကျွန်တော်တို့ရဲ့ “null hypothesis” 
(ဥပမာ- အုပ်စုတွေကြားမှာ ကွာခြားမှုမရှိဘူး၊ ဒါမှမဟုတ် ဆက်စပ်မှုမရှိဘူးဆိုတဲ့ အယူအဆ) မှန်နေတယ်ဆိုရင်၊ ကျွန်တော်တို့ လေ့လာတွေ့ရှိထားတဲ့ ရလဒ်မျိုး (သို့မဟုတ် ပိုဆိုးတဲ့ရလဒ်မျိုး) ရရှိဖို့ ဘယ်လောက်ဖြစ်နိုင်ခြေရှိလဲ ဆိုတာကို ပြောပြတဲ့ တန်ဖိုးပါ။

• အကယ်၍ p-value ဟာ 0.05 (သို့မဟုတ် ကြိုတင်သတ်မှတ်ထားတဲ့ significance level) ထက်နည်းရင်၊ ရလဒ်က စာရင်းအင်းအရ သိသာထင်ရှားပါတယ် (statistically significant) လို့ ယူဆပြီး null hypothesis ကို ပယ်ချပါတယ်။ ဆိုလိုတာက အုပ်စုတွေကြားမှာ သိသာတဲ့ ကွာခြားမှု (သို့မဟုတ် ဆက်စပ်မှု) ရှိတယ်လို့ ကောက်ချက်ချနိုင်တာပေါ့။

• p-value နည်းလေလေ၊ null hypothesis ကို ပယ်ချဖို့ ခိုင်မာတဲ့ အထောက်အထား ပိုများလေလေပါပဲ။

နိဂုံးချုပ်အနေနဲ့ t-test တွေဟာ သိပ္ပံနည်းကျ လေ့လာမှုတွေ၊ အင်ဂျင်နီယာနယ်ပယ်၊ ကျန်းမာရေးနယ်ပယ် စတာတွေမှာ အချက်အလက်တွေကို နားလည်ဖို့နဲ့ ဆုံးဖြတ်ချက်တွေချမှတ်ဖို့ အလွန်အရေးကြီးတဲ့ ကိရိယာတွေပါ။

ဒီ t-test တွေက “မီးပြတိုက်” တွေနဲ့ တူပါတယ်လို့ တင်စားလို့ရပါတယ်။ ကျယ်ပြန့်တဲ့ ပင်လယ်ပြင်ကြီး (population) ထဲမှာ သင်္ဘောတစ်စီး (sample) ကနေရတဲ့ အချက်အလက် (data) တွေကို အခြေခံပြီး၊ ကမ်းခြေ (population parameter) နဲ့ ပတ်သက်တဲ့ ဆုံးဖြတ်ချက်တွေချဖို့ (ဥပမာ- ကမ်းခြေက တကယ်ပဲ ဒီနေရာမှာ ရှိတာလား၊ ဒါမှမဟုတ် ကျွန်တော်တို့ မှားနေတာလား) ဆိုတာကို အချက်အလက်တွေကနေ ဖြစ်နိုင်ခြေအပေါ်အခြေခံပြီး ခန့်မှန်းလမ်းညွှန်ပေးနိုင်တာမျိုးပါ။ မီးပြတိုက်တစ်ခုတည်းက ပေးတဲ့ အလင်းရောင်ပေါ်မူတည်ပြီး ပင်လယ်ပြင်ကြီးရဲ့ အခြေအနေကို ကောက်ချက်ဆွဲတာမျိုးနဲ့ ဆင်တူပါတယ်နော်။

နပေတိုး