Robust Tek Örneklem t-Testi (Budanmış Ortalama)
Robust One-Sample Location Test Using Trimmed Mean · Ayrıca şöyle bilinir: one-sample trimmed mean test, Yuen one-sample test, robust one-sample location test, trimmed mean t-test
Robust tek örneklem t-testi, bir popülasyon konumunu hipotezlenen bir değere karşı karşılaştırmak için sıradan ortalamayı budanmış bir ortalama ile ve örneklem varyansını Winsorize edilmiş bir varyans ile değiştirir. t-testi karar çerçevesini korurken, aykırı değerlere ve kalın kuyruklu dağılımlara karşı duyarlılığı keskin bir şekilde azaltır, bu da onu normallikten sapan gerçek dünya sürekli verilerinde güvenilir kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek bir sürekli değişken hakkında bir konum hipotezini test etmek istediğinizde ancak veriler aykırı değerler içerdiğinde, çarpık olduğunda veya klasik t-testini güvenilmez kılan kalın kuyruklu bir dağılımdan geldiğinde robust tek örneklem t-testini kullanın. Özellikle, merkezi limit teoreminin ortalamayı henüz evcilleştirmediği küçük ila orta büyüklükteki örneklemlerde (n < 100) değerlidir. Veriler aykırı değerler olmaksızın gerçekten normal dağılmışsa kullanmayın — klasik t-testi orada biraz daha güçlüdür. Ayrıca, budama oranı verileri inceledikten sonra sonradan seçildiğinde de kaçının, bu Tip I hata oranını şişirir.
Güçlü yönler & sınırlılıklar
- Klasik tek örneklem t-testine göre aykırı değerlere ve kalın kuyruklu dağılımlara karşı önemli ölçüde daha dirençlidir.
- Yaklaşık bir t-dağılımı çerçevesini korur, bu nedenle tanıdık ve yorumlaması kolaydır.
- Normallik altında minimum güç kaybıyla geniş bir yelpazedeki normal olmayan dağılımlarda iyi performans gösterir.
- Daha da fazla robustluk için bootstrap güven aralıkları ile eşleştirilebilir.
- Budama oranı, bir kara kutu ayarlaması yerine şeffaf, önceden belirlenmiş bir ayarlama parametresidir.
- Budanmış ortalama, tam popülasyon ortalamasını değil, kesilmiş bir popülasyon ortalamasını tahmin eder, bu da çıkarımsal hedefi değiştirir.
- Budama oranını seçmek a priori gerekçe gerektirir; varsayılan %20 her bağlama uymayabilir.
- Veriler gerçekten normal ve aykırı değer içermediğinde klasik t-testine göre verimlilik kaybeder.
- Klasik t-testinden daha az yaygın olarak bilinir, bu nedenle hakemler kullanımına ilişkin gerekçe isteyebilir.
SSS
Bu, Wilcoxon işaretli sıralar testinden nasıl farklıdır?
Wilcoxon işaretli sıralar testi tamamen parametrik değildir ve popülasyon medyanını (simetri altında) test eder. Robust tek örneklem t-testi yarı parametrik olup, budanmış ortalamayı test eder ve doğrudan bir t-dağılımı yaklaşımı sağlar. Simetrik dağılımlar için benzer nicelikleri hedeflerler; çarpık veriler için budanmış ortalama, medyandan daha yorumlanabilir bir konum özeti olabilir.
Hangi budama oranını seçmeliyim?
Yaygın bir varsayılan, her kuyruktan %20'dir (gama = 0.20). Wilcox (2012), bunun birçok gerçek dağılımda robustluk ve verimlilik arasında bir denge sağladığını göstermektedir. Eğer önceki bilgiler sadece hafif aykırı değer kirliliği olduğunu gösteriyorsa, %10 yeterli olabilir. Budama oranı, verileri analiz etmeden önce kararlaştırılmalıdır.
Test küçük örneklemler için çalışır mı?
Evet — simülasyon çalışmaları, robust t-testinin normal olmayan dağılımlardan gelen küçük örneklemlerde klasik t-testinden daha iyi Tip I hata kontrolü sağladığını göstermektedir. Ancak, çok küçük örneklemler (n < 15), %20 budamadan sonra az sayıda budanmamış gözlem bırakır, bu da gücü önemli ölçüde azaltabilir.
Budamayı bootstrapping ile birleştirebilir miyim?
Evet, ve bu genellikle tavsiye edilir. Budanmış ortalama için bootstrap güven aralıkları, yeterli örneklem büyüklüğü dışında hiçbir dağılımsal varsayım gerektirmez ve dağılım güçlü bir şekilde çarpık olduğunda t-yaklaşımından daha doğru olma eğilimindedir.
Klasik tek örneklem t-testine ne zaman bağlı kalmalıyım?
Verilerin yaklaşık olarak normal olduğunu ve ciddi aykırı değerler içermediğini gösteren güçlü kanıtlarınız (örn. önceki çalışmalardan veya yeterli bir örneklem üzerinde yapılan Shapiro-Wilk testinden) olduğunda, klasik t-testi biraz daha güçlüdür ve çıkarımsal hedefi — tam popülasyon ortalaması — iletilmesi daha kolaydır.
Kaynaklar
- Wilcox, R. R. (2012). Introduction to Robust Estimation and Hypothesis Testing (3rd ed.). Academic Press. ISBN: 978-0123869838
- Yuen, K. K. (1974). The two-sample trimmed t for unequal population variances. Biometrika, 61(1), 165–170. DOI: 10.1093/biomet/61.1.165 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust One-Sample Location Test Using Trimmed Mean. ScholarGate. https://scholargate.app/tr/statistics/robust-one-sample-t-test
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Tek Örneklem t-Testiİstatistik↔ karşılaştır
- Sağlam Bağımsız Örneklem t-testiİstatistik↔ karşılaştır
- Sağlam Eşleştirilmiş Örneklem t-testiİstatistik↔ karşılaştır
- İşaret Testiİstatistik↔ karşılaştır