COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » r » two_sample_t-test
Trace: • two_sample_t-test
r:two_sample_t-test

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
r:two_sample_t-test [2026/04/07 10:39] – hkimscilr:two_sample_t-test [2026/04/07 23:02] (current) – [ro.two.sample.t-test] hkimscil
Line 21: Line 21:
   * 샘플의 크기가 다른 경우에는 두 샘플을 함께 고려하여 분산을 구한다.    * 샘플의 크기가 다른 경우에는 두 샘플을 함께 고려하여 분산을 구한다. 
 \begin{eqnarray} \begin{eqnarray}
-v \left[ \overline{X} \right] + V \left[ \overline{Y} \right] & = & \displaystyle \dfrac {s^2_{\text{pooled}}} {n_{X}} + \dfrac {s^2_{\text{pooled}}} {n_{Y}} \\ +V \left[ \overline{X} \right] + V \left[ \overline{Y} \right] & = & \displaystyle \dfrac {s^2_{\text{pooled}}} {n_{X}} + \dfrac {s^2_{\text{pooled}}} {n_{Y}} \\ 
-\text{where } \;\;\; s^2_{\text{pooled}} & = & \frac {SS(X) + SS(Y)} {df_X + df_Y} \\+\text{where } \;\;\; s^2_{\text{pooled}} & = & \frac {SS(X) + SS(Y)} {\text{df}_X + \text{df}_Y} \\
 \end{eqnarray} \end{eqnarray}
  
Line 48: Line 48:
 sd(p2) sd(p2)
  
-sz1 <- sz2 <- 50+sz1 <- 50 
 +sz2 <- 50
 df1 <- sz1 - 1 df1 <- sz1 - 1
 df2 <- sz2 - 1 df2 <- sz2 - 1
Line 103: Line 104:
  
 # 이것을 그래프로 그려보면 # 이것을 그래프로 그려보면
-hist(mdiffs, breaks=50)+hist(mdiffs, breaks=50,  
 +     main=paste("Histogram of mdiffs", 
 +                "\n","with 95% CI (blue)"))
 abline(v=mean(mdiffs),  abline(v=mean(mdiffs), 
        col="black", lwd=2)        col="black", lwd=2)
Line 125: Line 128:
      labels=paste(round(m.diff+ci95,3)),      labels=paste(round(m.diff+ci95,3)),
      col="blue", pos = 4)      col="blue", pos = 4)
-</code> 
  
  
-<code>     +# 위는 이론적으로 생각해 보는 것이고  
 +# 아래는 실제로 2 샘플을 취한 것
 s1 <- sample(p1, sz1, replace = T) s1 <- sample(p1, sz1, replace = T)
 s2 <- sample(p2, sz2, replace = T) s2 <- sample(p2, sz2, replace = T)
Line 134: Line 137:
 m.diff  # <- 100 번 중 95번은 위의 블루라인 안쪽에서 m.diff  # <- 100 번 중 95번은 위의 블루라인 안쪽에서
  
 +# 이 때의 pooled variance는 ss(s1)을 이용해서 구함
 +# population의 parameter는 모르는 상태로 가정
 pv <- (ss(s1) + ss(s2))/(df1 + df2) pv <- (ss(s1) + ss(s2))/(df1 + df2)
 pv pv
Line 143: Line 148:
 (ms1 + ms2)/2 (ms1 + ms2)/2
  
-# se <- sqrt(ms.a/sz1 + ms.b/sz2)+# se <- sqrt(ms1/sz1 + ms2/sz2)
 # se # se
 se.z <- sqrt(pv/sz1 + pv/sz2) se.z <- sqrt(pv/sz1 + pv/sz2)
Line 151: Line 156:
 t.cal <- diff / se.z t.cal <- diff / se.z
  
-t.test(s1,s2, var.equal = T) 
  
 t.cal t.cal
 df.tot df.tot
-print(p.val <- pt(abs(t.cal), df.tot, lower.tail = F)*2) +p.val <- pt(abs(t.cal), df.tot, lower.tail = F)*2 
-print(mean.diff <- mean(s1)-mean(s2))+mean.diff <- mean(s1)-mean(s2) 
 +# two <-  -2 에 해당하는 정확한 값
 two <- qt(.05/2, df.tot) two <- qt(.05/2, df.tot)
-two 
-# two <-  -2 
 lo2 <- se.z * two lo2 <- se.z * two
 lo2 lo2
-mean.diff+c(lo2,-lo2)+ 
 +paste(c(t.cal, df.tot, p.val)) 
 +mean.diff + c(lo2, -lo2) 
 + 
 +t.test(s1,s2, var.equal = T) 
  
 zdiffs <- scale(mdiffs) zdiffs <- scale(mdiffs)
Line 176: Line 184:
 text(x=t.cal, y=iter*.05,labels=round(p.val,7),pos=3) text(x=t.cal, y=iter*.05,labels=round(p.val,7),pos=3)
 p.val p.val
-</code> 
  
-<code> 
 ### ###
 # what if s1 and s2 are from # what if s1 and s2 are from
Line 216: Line 222:
 var.diff var.diff
 sd.diff sd.diff
-</code> 
  
-<code> 
 s3 <- sample(p1, sz1, replace=T) s3 <- sample(p1, sz1, replace=T)
 s4 <- sample(p1, sz2, replace=T) s4 <- sample(p1, sz2, replace=T)
Line 234: Line 238:
 hi <- -lo hi <- -lo
 c(lo, hi) c(lo, hi)
-</code> 
  
-<code> 
 # let's see # let's see
 +# but, this is exactly what distribution of sample differences
 +# in the first place
 iter <- 1000 iter <- 1000
 means.s3 <- means.s4 <- rep(NA, iter) means.s3 <- means.s4 <- rep(NA, iter)
Line 252: Line 256:
  
 table(mdiffs < -4 | mdiffs > 4) table(mdiffs < -4 | mdiffs > 4)
 +
 </code> </code>
  
 <tabbox ro.two.sample.t-test> <tabbox ro.two.sample.t-test>
 <code> <code>
 +> 
 +> 
 > rm(list=ls()) > rm(list=ls())
 > rnorm2 <- function(n,mean,sd){  > rnorm2 <- function(n,mean,sd){ 
Line 281: Line 288:
 [1] 10 [1] 10
 >  > 
-> sz1 <- sz2 <- 50+> sz1 <- 50 
 +> sz2 <- 50
 > df1 <- sz1 - 1 > df1 <- sz1 - 1
 > df2 <- sz2 - 1 > df2 <- sz2 - 1
Line 361: Line 369:
 >  > 
 > # 이것을 그래프로 그려보면 > # 이것을 그래프로 그려보면
-> hist(mdiffs, breaks=50)+> hist(mdiffs, breaks=50,  
 ++      main=paste("Histogram of mdiffs", 
 ++                 "\n","with 95% CI (blue)"))
 > abline(v=mean(mdiffs),  > abline(v=mean(mdiffs), 
 +        col="black", lwd=2) +        col="black", lwd=2)
Line 386: Line 396:
 +      col="blue", pos = 4) +      col="blue", pos = 4)
 >  > 
 +> 
 +> # 위는 이론적으로 생각해 보는 것이고 
 +> # 아래는 실제로 2 샘플을 취한 것
 > s1 <- sample(p1, sz1, replace = T) > s1 <- sample(p1, sz1, replace = T)
 > s2 <- sample(p2, sz2, replace = T) > s2 <- sample(p2, sz2, replace = T)
Line 392: Line 405:
 [1] -6.959851 [1] -6.959851
 >  > 
 +> # 이 때의 pooled variance는 ss(s1)을 이용해서 구함
 +> # population의 parameter는 모르는 상태로 가정
 > pv <- (ss(s1) + ss(s2))/(df1 + df2) > pv <- (ss(s1) + ss(s2))/(df1 + df2)
 > pv > pv
Line 405: Line 420:
 [1] 106.6359 [1] 106.6359
 >  > 
-> # se <- sqrt(ms.a/sz1 + ms.b/sz2)+> # se <- sqrt(ms1/sz1 + ms2/sz2)
 > # se > # se
 > se.z <- sqrt(pv/sz1 + pv/sz2) > se.z <- sqrt(pv/sz1 + pv/sz2)
Line 413: Line 428:
 > diff <- mean(s1)-mean(s2) > diff <- mean(s1)-mean(s2)
 > t.cal <- diff / se.z > t.cal <- diff / se.z
 +> 
 +> 
 +> t.cal
 +[1] -3.369909
 +> df.tot
 +[1] 98
 +> p.val <- pt(abs(t.cal), df.tot, lower.tail = F)*2
 +> mean.diff <- mean(s1)-mean(s2)
 +> # two <-  -2 에 해당하는 정확한 값
 +> two <- qt(.05/2, df.tot)
 +> lo2 <- se.z * two
 +> lo2
 +[1] -4.098508
 +> 
 +> paste(c(t.cal, df.tot, p.val))
 +[1] "-3.36990898869323"   "98"                  "0.00107663367234877"
 +> mean.diff + c(lo2, -lo2)
 +[1] -11.058359  -2.861343
 >  > 
 > t.test(s1,s2, var.equal = T) > t.test(s1,s2, var.equal = T)
Line 428: Line 461:
  
 >  > 
-> t.cal 
-[1] -3.369909 
-> df.tot 
-[1] 98 
-> print(p.val <- pt(abs(t.cal), df.tot, lower.tail = F)*2) 
-[1] 0.001076634 
-> print(mean.diff <- mean(s1)-mean(s2)) 
-[1] -6.959851 
-> two <- qt(.05/2, df.tot) 
-> two 
-[1] -1.984467 
-> # two <-  -2 
-> lo2 <- se.z * two 
-> lo2 
-[1] -4.098508 
-> mean.diff+c(lo2,-lo2) 
-[1] -11.058359  -2.861343 
 >  > 
 > zdiffs <- scale(mdiffs) > zdiffs <- scale(mdiffs)
Line 539: Line 555:
 > c(lo, hi) > c(lo, hi)
 [1] -4.098424  4.098424 [1] -4.098424  4.098424
->  
 >  > 
 > # let's see > # let's see
-> +> # but, this is exactly what distribution of sample differences 
 +> # in the first place
 > iter <- 1000 > iter <- 1000
 > means.s3 <- means.s4 <- rep(NA, iter) > means.s3 <- means.s4 <- rep(NA, iter)
r/two_sample_t-test.1775558341.txt.gz · Last modified: by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki