大 N 的簡單 t 檢驗我知道這應該很明顯......我有一張堆疊的桌子。 用 x 擬合 y 給出了一個漂亮的圖，向我展示了 A 類的平均值高於 B 類（它有點微妙，但它就在那裡）。 p 值支持它，但當然它會支持它，因為 N 以千計。 ANOM 還表明，這兩種均值都不同於整體均值，但我想我在這裡也會遇到同樣的問題。 方差是不同的正態分佈。 這裡最好的方法是什麼？ 將 0.05 除以 N 並使用該值來確定顯著性？ 根本不使用顯著性並查看置信區間？ 任何和所有的建議都非常感謝！
回复：大 N 的簡單 t 檢驗如果我正確理解你的情況，你有一個“統計”差異，但你不確定你有一個“實際”差異。那是對的嗎？
僅僅因為使用假設檢驗檢測到差異，並不意味著該差異實際上是顯著的。
觀察到的差異需要與正常的過程變化、實際要求和样本大小進行權衡。
有時樣本量太大（通過方便可用數據），非常小的差異將顯示為顯著
統計上的顯著差異並不總是實際差異。確定您認為的“實際”差異是一個很好的做法
我們使用了 JMP 的“等效測試”
JMP 幫助 => https://www.jmp.com/support/help/en/15.0/#page/jmp/test-equivalence.shtml?os=win&source=application#ww1301938
等價檢驗評估總體均值是否等於假設值。 您必須定義一個被視為等同於無差異的閾值差異。 測試等效選項使用兩個單面測試 (TOST) 方法。 對於真實均值與假設值之差超過閾值的零假設，構造了兩個單邊 t 檢驗。 如果兩個零假設都被拒絕，這意味著真正的差異沒有超過閾值。 您得出結論，可以認為平均值實際上等同於假設值。
當您選擇檢驗等價選項時，您指定假設均值、閾值差（差值實際上為零）和置信水平。 置信水平為 1 - alpha，其中 alpha 是每個單面檢驗的顯著性水平
回复：大 N 的簡單 t 檢驗感謝大家。 是圖像數據。 每個像素都可以被認為是一個獨立的測量，檢測計數，我運行我的成像實驗，以確保在每個像素上我都有基於泊松計數統計的良好精度（沒有需要擔心的背景）。 基於其他相關圖像數據，可以對像素組進行聚類以表示“特徵”。 我正在嘗試找出最好的方法來顯示例如的平均值。組成特徵 A 的 10,000 個像素與組成特徵 B 的 15,000 個像素的平均值不同。 有時我認為我想太多了，有時我認為這不是那麼簡單。
回复：大 N 的簡單 t 檢驗不要把方法放在問題前面......你試圖用你的數據回答什麼問題？ 你的數據代表什麼？ 它是從哪裡來的（比如你為什麼這麼幸運有這麼多的觀察結果）？ 根據這些數據做出哪些決定？ （就“重要性”而言，5 美元的決定比 500 萬美元的決定產生的影響要小）。 您可能需要考慮哪些其他變量？ 數據有時間元素嗎？ 不斷地...... 我喜歡置信區間、自舉和抽樣的想法，但前提是它們作為回答數據背後問題的一種方式是有意義的。回复：大 N 的簡單 t 檢驗你可以更徹底。 您可以使用引導程序如果您有 JMP Pro，則該功能。 它將基於數千個樣本生成統計數據的經驗抽樣分佈（例如，均值差異），並生成包含結果的數據表，以便在分佈平台中進行分析。
回复：大 N 的簡單 t 檢驗然後你需要開始考慮調整測試的數量。
回复：大 N 的簡單 t 檢驗謝謝吉姆，
好主意，簡單，總是好的。 我在想如果我想更徹底一點，我可以重複這個過程 10-15 次並查看 p 值的分佈。
最好的，
格雷格
回复：大 N 的簡單 t 檢驗處理此問題的一種簡單方法是創建數據的分層隨機子集，每組包含 30 個觀察值，然後運行 t 檢驗。
