Tahukah anda bahawa penyelidik sering menggunakan tahap keertian 0.05 atau 0.01 dalam ujian mereka? Ini bermakna mereka mencari keputusan yang sangat tidak mungkin berlaku secara kebetulan. Tahap ini membantu mereka memahami data daripada ujian klinikal.
Dalam ujian klinikal , ujian-T, nilai-P dan saiz kesan adalah penting untuk memeriksa sama ada rawatan baharu berfungsi dengan baik dan selamat. Artikel ini akan menunjukkan kepada anda cara ujian-T digunakan dalam ujian klinikal sebenar . Anda akan mempelajari tentang alat statistik penting ini dan melihat cara ia berfungsi.
Poin-poin utama
- Aras keertian yang biasa digunakan dalam ujian statistik ialah 0.05 dan 0.01.
- Selang keyakinan biasanya dinyatakan sebagai peratusan, contohnya, 95%.
- Saiz sampel yang lebih besar meningkatkan keupayaan untuk mengesan kesan tulen.
- Teknik seperti pembetulan Bonferroni melaraskan tahap kepentingan untuk mengambil kira beberapa perbandingan.
- Mengenal pasti dan mengendalikan outlier dengan sewajarnya boleh membantu mengurangkan kesannya terhadap kepentingan statistik.
Pengenalan kepada ujian-T dan Ujian Hipotesis
Pengujian hipotesis merupakan kaedah utama dalam statistik. Ia membantu kita membuat tekaan tentang kumpulan besar berdasarkan sampel yang lebih kecil. Kita melihat dua idea utama: hipotesis nol (H0) dan hipotesis alternatif (H1 atau Ha). Tujuannya adalah untuk melihat sama ada data menyokong hipotesis alternatif berbanding hipotesis nol.
Hipotesis Null dan Alternatif
Hipotesis nol (H0) mengandaikan tiada perbezaan atau kesan yang besar. Hipotesis alternatif (H1 atau Ha) mengatakan terdapat perubahan atau perbezaan yang ingin kita semak. Kita menggunakan pengujian hipotesis untuk melihat sama ada data menunjukkan kita menolak hipotesis nol untuk hipotesis alternatif.
Tahap Keertian dan Nilai-P
Aras keertian (α) memberitahu kita bila hendak menolak hipotesis nol . Ia biasanya ditetapkan pada 0.05 atau 5%. Nilai-p menunjukkan peluang untuk melihat data kita secara kebetulan, dengan mengandaikan hipotesis nol adalah benar. Jika nilai-p rendah (kurang daripada α), kita menolak hipotesis nol.
"Nilai P dan ujian hipotesis adalah perkara biasa dalam jurnal perubatan, dengan kecenderungan yang kuat untuk menyerlahkan penemuan positif."
Terdapat dua jenis kesilapan yang boleh kita lakukan dalam pengujian hipotesis . Ralat jenis I bermaksud kita mendapat positif palsu, dan ralat jenis II bermaksud negatif palsu. Adalah penting untuk mengetahui tentang ralat ini untuk memahami keputusan statistik dengan baik.
Membezakan Ujian-T daripada Ujian-Z
Kedua-dua ujian-T dan ujian-Z adalah kunci dalam analisis statistik. Mereka membantu mengetahui sama ada terdapat perbezaan sebenar antara dua pembolehubah. Tetapi, anda perlu memilih yang betul berdasarkan butiran data anda.
Bila hendak menggunakan Z-Test
Ujian -Z adalah terbaik apabila anda mengetahui varians populasi dan mempunyai saiz sampel yang besar (n > 30). Ia menggunakan taburan normal piawai, juga dikenali sebagai taburan-Z. Ujian ini bagus untuk membandingkan min sampel dengan min populasi yang diketahui atau untuk membandingkan dua min sampel apabila anda mengetahui varians populasi.
Bila hendak menggunakan T-Test
Untuk varians populasi yang tidak diketahui dan saiz sampel yang kecil (n
Memilih antara ujian-Z dan ujian-T adalah penting untuk keputusan yang boleh dipercayai. Mengetahui andaian dan keperluan setiap ujian membantu anda membuat pilihan yang tepat. Dengan cara ini, anda boleh mendapatkan kesimpulan yang tepat daripada data anda.
Menyelam ke dalam Ujian-T
Ujian -T merupakan alat utama dalam analisis statistik. Ia membantu penyelidik mencari pandangan penting dalam data mereka. Kaedah ini terdapat dalam pelbagai jenis, setiap satunya dengan matlamatnya sendiri dalam menguji hipotesis. Mari kita lihat ujian-T yang berbeza dan apa yang menjadikannya boleh dipercayai.
Jenis-jenis Ujian-T
Ujian-T satu sampel membandingkan min sampel dengan min populasi yang diketahui. Ia menunjukkan sama ada sampel berbeza secara signifikan daripada nilai yang dijangkakan. Ujian-T dua sampel membandingkan min dua kumpulan. Ia membantu mengetahui sama ada terdapat perbezaan yang besar antara mereka.
Ujian -T sampel berpasangan melihat kumpulan yang sama pada masa yang berbeza. Ia membantu mengenal pasti perubahan atau perbezaan dalam kumpulan.
Setiap jenis ujian-T mempunyai peranannya sendiri dalam menganalisis data. Pilihannya bergantung pada persoalan kajian dan struktur data.
Andaian yang Mendasari Ujian-T
Untuk ujian-T boleh dipercayai, beberapa andaian mesti dipenuhi. Ini termasuk:
- Normaliti: Cara sampel hendaklah mengikut taburan normal.
- Kesamaan Varians: Varians kedua-dua kumpulan hendaklah serupa atau sama untuk ujian-T dua sampel.
- Kemerdekaan: Setiap titik data dalam kumpulan harus bebas daripada yang lain.
Ujian seperti ujian Shapiro-Wilk , ujian Levene dan kaedah visual menyemak andaian ini. Ia membantu memastikan keputusan ujian-T adalah sah.
Mengetahui tentang ujian-T yang berbeza dan andaian mereka membantu penyelidik membuat keputusan yang lebih baik. Ini membawa kepada penemuan yang lebih dipercayai dan memberi kesan.
Senario Dunia Sebenar untuk Aplikasi Ujian-T
Ujian-t merupakan alat utama yang digunakan dalam pelbagai bidang, daripada ujian klinikal kepada penyelidikan pendidikan , kawalan kualiti , kajian psikologi dan penyelidikan pasaran . Mari kita lihat beberapa contoh yang menunjukkan bagaimana ujian-t digunakan dalam kehidupan sebenar.
Dalam ujian klinikal , penyelidik menggunakan ujian-t sampel berpasangan untuk membandingkan pesakit sebelum dan selepas rawatan. Ini membantu mereka melihat sama ada rawatan itu berkesan dan sama ada keputusannya signifikan secara statistik.
Untuk penyelidikan pendidikan , ujian-t dua sampel bebas sering digunakan. Ia membantu pendidik mengetahui kaedah pengajaran yang paling berkesan dengan membandingkan prestasi pelajar dalam kumpulan yang berbeza.
Dalam kawalan kualiti , ujian-t adalah penting untuk memeriksa sama ada kualiti sesuatu produk memenuhi piawaian. Dengan membandingkan kualiti purata sesuatu kelompok produk dengan tahap yang diingini, pengeluar boleh mengekalkan kualiti mereka pada tahap yang tinggi.
Dalam penyelidikan psikologi , ujian-t berpasangan digunakan untuk mengkaji perubahan tingkah laku sebelum dan selepas intervensi tertentu. Ini membantu penyelidik melihat bagaimana program mereka mempengaruhi orang atau kumpulan.
Akhir sekali, dalam kajian pasaran , ujian-t dua sampel bebas membantu mengenal pasti perbezaan dalam apa yang disukai atau dilakukan oleh pengguna dalam kumpulan yang berbeza. Maklumat ini membimbing pemasaran dan pembangunan produk.
| Permohonan | Jenis ujian-T | Tujuan |
|---|---|---|
| Ujian Klinikal | Ujian T Sampel Berpasangan | Membandingkan hasil pesakit sebelum dan selepas rawatan |
| Penyelidikan Pendidikan | Bebas Ujian T Dua Sampel | Menilai perbezaan prestasi antara kumpulan pelajar |
| Kawalan Kualiti | Ujian T Satu Sampel | Menentukan sama ada kualiti produk berbeza daripada standard |
| Penyelidikan Psikologi | Ujian T berpasangan | Menilai perubahan tingkah laku sebelum dan selepas intervensi |
| Penyelidikan pasaran | Ujian T Dua Sampel Bebas | Menganalisis perbezaan dalam pilihan atau tingkah laku pengguna |
Memahami kepelbagaian ujian-t membantu penyelidik dan profesional membuat keputusan yang lebih baik dalam bidang mereka. Alat berkuasa ini menawarkan cerapan berharga.
Ujian-T, Nilai-P, Saiz kesan
Saiz kesan adalah penting apabila melihat perbezaan antara dua kumpulan. Ia memberitahu kita betapa besarnya perbezaan tersebut. Cohen's d ialah cara untuk mengukur perbezaan ini. Bersama-sama dengan kepentingan statistik ( nilai-p ), ia membantu kita melihat sama ada penemuan itu penting.
Kepentingan statistik menunjukkan sama ada perbezaan itu mungkin bukan secara kebetulan. Nilai-p yang rendah bermakna terdapat perbezaan sebenar. Tetapi ia tidak memberitahu kita betapa besar perbezaannya. Saiz kesan menunjukkan perbezaan sebenar antara kedua-dua kumpulan.
Adalah penting untuk berkongsi saiz kesan dalam Abstrak dan Keputusan sesuatu kajian. Indeks saiz kesan Cohen melabelkan kesan sebagai kecil, sederhana atau besar. Mengetahui saiz kesan sebelum memulakan kajian membantu merancang saiz dan kuasa sampel .
| Saiz Kesan | Interpretasi |
|---|---|
| 0.2 | Kesan kecil |
| 0.5 | Kesan sederhana |
| 0.8 | Kesan besar |
Secara ringkasnya , saiz kesan , d Cohen , dan kepentingan statistik adalah penting untuk memahami keputusan ujian-T dalam penyelidikan perubatan dan ujian klinikal.
Ujian-T untuk Penilaian Keberkesanan dalam Percubaan Klinikal
Dalam ujian klinikal, ujian statistik adalah kunci untuk memeriksa keberkesanan ubat baharu. Ujian-T ialah kaedah biasa yang digunakan untuk melihat sama ada kumpulan rawatan dan kumpulan kawalan adalah berbeza. Mereka membantu kami memahami sama ada ubat atau rawatan berkesan.
Ujian Statistik untuk Penilaian Keberkesanan
Penyelidik klinikal menggunakan banyak ujian statistik untuk memeriksa keberkesanan rawatan baharu. Ini termasuk:
- ANOVA (Analisis Varians) – Ujian ini membandingkan cara tiga atau lebih kumpulan. Ia memberikan gambaran terperinci tentang bagaimana rawatan mempengaruhi orang.
- Analisis Kemandirian – Ia melihat berapa lama masa yang diperlukan untuk sesuatu berlaku, seperti apabila penyakit berkembang atau apabila seseorang meninggal dunia. Ini membantu melihat bagaimana rawatan mengubah hasil pesakit.
- Ujian Khi Kuasa Dua – Ujian ini mengetahui sama ada terdapat perbezaan besar dalam kekerapan sesuatu berlaku dalam kumpulan rawatan dan kawalan.
- Ujian Bukan Inferiority – Ia menyemak sama ada rawatan baharu adalah sama baik dengan rawatan sedia ada. Ini menunjukkan sama ada rawatan baru itu berkesan.
Bersama-sama dengan ujian-t, kaedah ini membantu penyelidik memahami keberkesanan ubat baharu. Dengan menggunakan ujian yang berbeza, mereka boleh belajar tentang kesan rawatan terhadap pelbagai hasil. Ini membantu membuat keputusan yang lebih baik dan memperbaiki rawatan.
Menggunakan ujian ini membantu penyelidik menyemak keberkesanan ubat baharu. Ini membawa kepada keputusan yang lebih baik dan membantu memajukan sains perubatan ke hadapan.
Ujian-T untuk Penilaian Keselamatan dalam Ujian Klinikal
Pemeriksaan keselamatan dalam ujian klinikal adalah penting. Mereka melihat data untuk mengenal pasti dan menyemak kesan buruk serta risiko dengan ubat baharu. Ujian seperti ujian-T , ujian khi kuasa dua dan logistik membantu melihat kekerapan dan keterukan kesan kejadian ini. Mereka juga melihat bagaimana sifat pesakit mempengaruhi kejadian ini.
Menilai Kejadian Buruk dan Kesan Sampingan
Penyelidik menggunakan statistik untuk memeriksa keselamatan ubat baharu. Ujian-T membandingkan kekerapan kesan sampingan berlaku dalam kumpulan rawatan dan plasebo. Ujian khi kuasa dua melihat sama ada ubat menyebabkan lebih banyak kesan sampingan . Regresi logistik melihat bagaimana perkara seperti umur mempengaruhi risiko kesan sampingan.
Pemantauan Makmal dan Pengukuran Klinikal
Memeriksa keselamatan juga bermaksud memerhatikan keputusan makmal dan klinikal semasa percubaan. Ujian-T berpasangan dan ujian pangkat Wilcoxon mengesan perubahan dalam kumpulan rawatan. Plot kotak menunjukkan corak data, dan ujian seperti Grubbs menyemak nilai yang luar biasa. Melihat bagaimana perubahan makmal atau klinikal berkaitan dengan kesan sampingan juga penting.
Statistik ini membantu penyelidik memahami keselamatan ubat baharu. Mereka memastikan untuk mengesan dan mengurangkan risiko untuk memastikan peserta percubaan selamat.
Ujian-T untuk Penentuan Dos dalam Percubaan Klinikal
Mencari dos yang tepat untuk sesuatu ubat adalah penting dalam ujian klinikal. Ini bermakna memilih jumlah terbaik, kekerapan pengambilannya, dan bagaimana ia harus diberikan. Alat seperti analisis regresi , ANOVA , ujian khi kuasa dua dan regresi logistik membantu. Ia melihat bagaimana dos mempengaruhi hasil rawatan, keselamatan dan bagaimana pesakit yang berbeza bertindak balas terhadapnya.
Mengenalpasti Tahap Dos Optimum
Penyelidik mengikuti pelan langkah demi langkah untuk mencari dos terbaik:
- Mereka menyemak bagaimana dos yang berbeza mempengaruhi keputusan rawatan dengan analisis regresi.
- Mereka melihat keselamatan dengan ANOVA atau ujian khi kuasa dua untuk mengesan sebarang kesan buruk.
- Regresi logistik membantu melihat cara perkara seperti umur atau genetik mempengaruhi dos terbaik.
Dengan menggunakan kaedah ini, penyelidik boleh mencari dos yang berfungsi dengan baik dan selamat. Ini membantu doktor membuat pilihan yang lebih baik untuk pesakit.
| Teknik Statistik | Tujuan |
|---|---|
| Analisis Regresi | Menilai hubungan dos-tindak balas |
| ANOVA | Menilai profil keselamatan tahap dos yang berbeza |
| Ujian Khi kuasa dua | Nilaikan perkaitan antara dos dan profil keselamatan |
| Regresi Logistik | Memahami pengaruh ciri-ciri pesakit pada dos optimum sambutan |
Kaedah ini membantu mencari dos terbaik yang berfungsi dengan baik dan memastikan pesakit selamat. Ini penting untuk membuat ubat baru.
Perakaunan untuk Korelasi Bersiri dalam Percubaan N-of-1
Dalam penjagaan kesihatan peribadi, ujian N-of-1 adalah penting untuk memeriksa bagaimana orang ramai bertindak balas terhadap rawatan. Kajian ini melihat data daripada hanya seorang. Ia sering menemui korelasi bersiri atau autokorelasi . Ini bermakna data lepas mempengaruhi data semasa.
Menggunakan ujian-t biasa boleh menjadi rumit dalam percubaan N-daripada-1 . Ujian ini tidak mengendalikan korelasi bersiri dengan baik. Ia boleh menyebabkan kesimpulan yang salah dan salah faham. Untuk membetulkannya, ujian-t bersiri telah dibuat. Ia berfungsi dengan lebih baik dengan korelasi bersiri , menjadikan keputusan percubaan N-daripada-1 lebih dipercayai.
| Ciri-ciri | Ujian-t biasa | Ujian-t bersiri |
|---|---|---|
| Perakaunan untuk Korelasi Bersiri | Tidak | Ya |
| Sifat Statistik | Tidak tepat | Peningkatan |
| Kebolehpercayaan Inferens | Rendah | Tinggi |
Hasil daripada kaedah statistik baharu, ujian N-of-1 kini boleh menjadi lebih kukuh dan boleh dipercayai. Ini membawa kepada pilihan rawatan yang lebih bijak dan penjagaan kesihatan yang lebih baik untuk semua orang.
"Ujian-t bersiri yang dibangunkan dalam kajian ini dapat menampung korelasi bersiri, meningkatkan sifat statistik dan kebolehpercayaan analisis dalam percubaan N-daripada-1 ."
Memvisualisasikan Keputusan ujian-T untuk Cerapan Lebih Jelas
Dalam dunia penyelidikan klinikal, visualisasi data adalah kunci untuk berkongsi keputusan daripada ujian seperti ujian-t. Ia membantu penyelidik dan doktor memahami saiz, hala tuju dan kepentingan penemuan. Ini membawa kepada keputusan yang lebih baik dalam pembangunan ubat dan ujian klinikal.
Menggunakan ujian-t, keputusan boleh diperjelaskan dengan kaedah visual yang berbeza. Plot serakan menunjukkan bagaimana titik data tersebar, menonjolkan perbezaan kumpulan. Carta bar memudahkan untuk melihat perbezaan min, menunjukkan impak data di dunia sebenar.
Plot hutan sangat bagus untuk menunjukkan keputusan ujian-t . Ia memaparkan saiz kesan dan selang keyakinan. Ini memberikan gambaran penuh tentang ketidakpastian dalam keputusan.
Menambah visual ini pada keputusan ujian-t membantu penyelidik berkongsi hasil kerja mereka dengan lebih baik. Ia membawa kepada keputusan yang lebih bijak dan penjagaan pesakit yang lebih baik. Memandangkan penyelidikan lebih tertumpu pada kejelasan, kebolehpercayaan dan mudah difahami, penggunaan visualisasi data adalah penting. Ia akan membentuk masa depan perubatan berdasarkan bukti yang kukuh.
" Visualisasi data yang berkesan dapat meningkatkan komunikasi dan tafsiran keputusan ujian-T, yang membawa kepada pembuatan keputusan yang lebih tepat dalam konteks ujian klinikal dan pembangunan ubat."
Kesimpulan
Ujian-T ialah alat utama dalam menganalisis data percubaan klinikal. Mereka membantu penyelidik, saintis data dan penganalisis perniagaan memahami cara rawatan berfungsi dan keselamatannya. Dengan menggunakan ujian-T, anda boleh mencari dos terbaik dan berurusan dengan reka bentuk percubaan khas.
Memvisualisasikan keputusan ujian-T menjadikannya lebih mudah untuk memahami dan berkongsi penemuan. Ini membantu dalam membuat keputusan yang lebih baik dalam pembangunan dadah. Ia juga membawa kepada hasil kesihatan yang lebih baik untuk pesakit.
Perkara utama daripada bahagian ini ialah fleksibiliti ujian-T dan keperluan untuk mengetahui andaian mereka. Selain itu, menggabungkan statistik dengan visualisasi data yang baik adalah penting. Ini membantu dalam mendapatkan pandangan mendalam daripada ujian klinikal. Dengan menggunakan kemahiran ini, anda boleh menjadikan proses pembangunan ubat lebih lancar. Ini membawa kepada penyelesaian penjagaan kesihatan yang lebih baik yang membantu pesakit.
Soalan Lazim
Apakah perbezaan antara hipotesis nol dan hipotesis alternatif?
Hipotesis nol (H0) ialah titik permulaan. Ia tidak menganggap sebarang kesan atau perbezaan yang ketara. Hipotesis alternatif (H1 atau Ha) menunjukkan perubahan atau perbezaan yang dijangkakan.
Apakah tahap keertian dan bagaimana ia digunakan dalam ujian hipotesis?
Aras keertian (α) ialah ambang untuk menolak hipotesis nol. Ia selalunya ditetapkan pada 0.05. Nilai-p menunjukkan kebarangkalian data yang kita lihat, dengan mengandaikan hipotesis nol adalah benar. Nilai-p yang kecil (biasanya ≤ α) bermaksud bukti yang kukuh terhadap hipotesis nol, yang membawa kepada penolakannya.
Bilakah anda perlu menggunakan ujian Z berbanding ujian T?
Gunakan ujian-Z apabila varians populasi diketahui dan saiz sampel adalah besar (n > 30). Gunakan ujian-T apabila varians populasi tidak diketahui dan saiz sampel adalah kecil (n
Apakah jenis utama ujian-T dan apakah perbezaannya?
Terdapat tiga jenis utama Ujian-T. Ujian-T satu sampel membandingkan min sampel dengan min populasi yang diketahui. Ujian-T dua sampel bebas membandingkan min dua kumpulan. Ujian-T sampel berpasangan membandingkan kumpulan yang sama pada masa yang berbeza. Setiap jenis mempunyai kegunaan khusus dalam analisis data dan pengujian hipotesis.
Apakah andaian utama yang mesti dipenuhi untuk ujian-T untuk menghasilkan keputusan yang boleh dipercayai?
Agar ujian-T boleh dipercayai, beberapa andaian mesti dipenuhi. Ini termasuk kenormalan (data harus mengikuti taburan normal), kesamaan atau persamaan varians (untuk ujian dua sampel), dan kebebasan titik data.
Bagaimanakah ujian-T digunakan dalam senario dunia sebenar yang berbeza?
Ujian-T digunakan dalam pelbagai bidang, seperti ujian klinikal, pendidikan, kawalan kualiti , psikologi dan penyelidikan pasaran . Ia membantu membandingkan min, menyemak perbezaan dan menilai hasil serta kesan.
Apakah kepentingan saiz kesan sebagai tambahan kepada statistik ujian-T dan nilai-p?
Saiz kesan , seperti d Cohen , menunjukkan saiz perbezaan atau kesan. Adalah penting untuk melihat saiz kesan , bersama-sama dengan nilai-p, untuk melihat impak dunia sebenar keputusan ujian-T.
Bagaimanakah ujian-T digunakan untuk menilai keberkesanan dan keselamatan ubat penyiasatan dalam ujian klinikal?
Ujian-T dan ujian lain digunakan untuk memeriksa sama ada ubat berfungsi dan selamat. Mereka membandingkan kumpulan rawatan dan kawalan dan melihat kesan sampingan dan perubahan dalam langkah kesihatan.
Bagaimanakah ujian-T boleh digunakan untuk penentuan dos dalam ujian klinikal?
Untuk mencari dos terbaik, penyelidik menggunakan analisis regresi , ANOVA, ujian khi kuasa dua dan regresi logistik. Kaedah ini melihat bagaimana dos mempengaruhi tindak balas dan keselamatan rawatan, dan bagaimana pesakit yang berbeza bertindak balas terhadap dos yang berbeza.
Bagaimanakah penyelidik boleh menangani isu korelasi bersiri dalam ujian N-of-1?
Dalam percubaan N-of-1, data daripada satu orang menunjukkan korelasi bersiri. Penyelidik menggunakan "ujian-t bersiri" untuk mengendalikan perkara ini. Ujian ini meningkatkan ketepatan dan kebolehpercayaan keputusan dalam ujian N-of-1.
Bagaimanakah teknik visualisasi boleh meningkatkan tafsiran dan komunikasi keputusan ujian-T?
Alat visual seperti plot taburan, carta bar dan plot hutan menjadikan keputusan ujian-T lebih jelas. Mereka membantu menunjukkan saiz dan arah kesan, penyebaran data dan kepentingan. Ini membawa kepada keputusan yang lebih baik dalam ujian klinikal dan pembangunan ubat.
Pautan Sumber
- https://www.statsig.com/perspectives/a-comprehensive-guide-to-statistical-significance
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4763495/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4111019/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4877414/
- https://towardsdatascience.com/t-test-and-hypothesis-testing-explained-simply-1cff6358633e
- https://neelamtyagi.medium.com/what-are-the-differences-between-z-test-and-t-test-397ba83e6fda
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6813708/
- https://www.analyticsvidhya.com/blog/2020/06/statistics-analytics-hypothesis-testing-z-test-t-test/
- http://courses.washington.edu/psy315/tutorials/t_test_2_independent_means_tutorial.pdf
- https://tavik.com/blog-1/how-to-find-p-value-for-t-test-explained-step-by-step-en-cb/
- https://www.jmp.com/en_in/statistics-knowledge-portal/t-test/paired-t-test.html
- https://statistics.laerd.com/spss-tutorials/independent-samples-t-test-using-spss-statistics.php
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3444174/
- https://www.datanovia.com/en/lessons/t-test-effect-size-using-cohens-d-measure/
- https://meera.seas.umich.edu/power-analysis-statistical-significance-effect-size.html
- https://www.fda.gov/media/78504/download
- https://academic.oup.com/innovateage/article/3/4/igz036/5560156
- https://www.uv.es/~friasnav/EffectSizeBecker.pdf
- https://www.ncbi.nlm.nih.gov/books/NBK557421/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4197528/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4466166/
- https://training.cochrane.org/handbook/current/chapter-06
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9372427/
- https://effectivehealthcare.ahrq.gov/products/n-1-trials/research-2014-1
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10081537/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8202354/
- https://www.linkedin.com/advice/0/how-do-you-report-t-test-statistical-significance-orgxe
- https://datatab.net/tutorial/effect-size-independent-t-test
- https://sphweb.bumc.bu.edu/otlt/MPH-Modules/PH717-QuantCore/PH717-Module7-T-tests/Module7-ttests3.html
- https://training.cochrane.org/handbook/current/chapter-15
Gunakan kalkulator saiz sampel dan analisis kuasa percuma kami untuk merancang kajian anda sebelum pengumpulan data.