Teste t

O teste t é uma ferramenta estatística utilizada para comparar as médias de dois grupos e verificar se existe diferença significativa entre eles. Ele é amplamente utilizado em experimentos agrícolas, biológicos e em diversas áreas de pesquisa onde se deseja comparar tratamentos. Existem dois tipos principais de teste t:

Exemplo:

  • Para amostras independentes
# Teste t entre os grupos control e Mg2
attach(dat_mg2)
t_test_results <- t.test(control, Mg2, var.equal = FALSE) #teste t para comparação de médias entre os tratamentos control e Mg2
detach(dat_mg2)

test_report <- report(t_test_results)
print(test_report) #relatório textual interpretativo do teste t, explicando p-valor, tamanho do efeito e interpretação.
Effect sizes were labelled following Cohen's (1988) recommendations.

The Welch Two Sample t-test testing the difference between control and Mg2
(mean of x = 15.68, mean of y = 10.52) suggests that the effect is positive,
statistically significant, and large (difference = 5.16, 95% CI [3.83, 6.49],
t(17.35) = 8.15, p < .001; Cohen's d = 3.92, 95% CI [2.30, 5.49])
  • Diferença entre as médias = 5,16 (ou seja, control é, em média, 5,16 pontos maior que Mg2).
  • Intervalo de confiança de 95% para a diferença = [3,83; 6,49], indicando que a diferença é estatisticamente robusta, e mesmo no pior cenário (limite inferior) a diferença ainda é de 3,83.
  • Valor do teste t = 8,15

  • Graus de liberdade ajustados (pelo Welch) = 17,35

  • p < 0,001, ou seja, diferença estatisticamente significativa (rejeitamos a hipótese nula de médias iguais).

O que isso quer dizer?

O tratamento control apresentou valores significativamente maiores de comp do que Mg2.

  • Teste t pareado:
t.test(escala_wider$Unaided, escala_wider$Aided1,
       paired = TRUE,
       var.equal = FALSE) #compara as médias de acurácia entre os estados "Unaided" e "Aided1"

    Paired t-test

data:  escala_wider$Unaided and escala_wider$Aided1
t = -4.4214, df = 9, p-value = 0.001668
alternative hypothesis: true mean difference is not equal to 0
95 percent confidence interval:
 -0.3552353 -0.1147647
sample estimates:
mean difference 
         -0.235 
# Boxplot
escala %>%
  ggplot(aes(x = assessment, y = acuracia)) +
  geom_boxplot() +
  labs(title = "Comparação da Acurácia por Assessment",
       x = "Assessment",
       y = "Acurácia")

#visualiza a distribuição dos valores de acurácia em cada grupo de avaliação.