382. Test t-Studenta dla dwóch prób niezależnych – założenia

Test t-Studenta dla dwóch prób niezależnych służy do porównania średnich wartości w dwóch grupach, których obserwacje nie są ze sobą połączone parami. Przykładowo można porównać średnie ciśnienie skurczowe u pacjentów leczonych dwiema różnymi metodami, średni wynik lęku u dwóch niezależnych grup studentów albo średni czas oczekiwania na pomoc medyczną w dwóch rejonach. Sama obecność dwóch grup nie wystarcza jednak do automatycznego zastosowania testu. Najpierw trzeba ustalić, czy dane i sposób ich zebrania odpowiadają założeniom analizy.

W tej lekcji skupiamy się na warunkach stosowania testu oraz na tym, jak rozumieć ich naruszenie. Zgodnie z podejściem prezentowanym w szkoleniu na statystyk.edu.pl, diagnostyka założeń nie jest formalnością wykonywaną po analizie, lecz częścią planowania wnioskowania.

1. Co porównuje test t dla dwóch prób niezależnych?

Załóżmy, że zmienna wynikowa jest mierzona u osób należących do dwóch grup:

• grupa 1: liczebność n₁, średnia x̄₁, odchylenie standardowe s₁;
• grupa 2: liczebność n₂, średnia x̄₂, odchylenie standardowe s₂.

Najczęściej hipoteza zerowa ma postać:

H₀: μ₁ − μ₂ = 0,

czyli średnie w populacjach są równe. Hipoteza alternatywna może być dwustronna:

H₁: μ₁ − μ₂ ≠ 0,

albo jednostronna, jeżeli kierunek różnicy został uzasadniony przed analizą.

Ważne: test nie porównuje „osób z grupy 1” z „osobami z grupy 2” w sensie indywidualnym. Ocenia różnicę między średnimi, uwzględniając zmienność wyników i liczebność grup. Nie odpowiada również samodzielnie na pytanie o kliniczne lub społeczne znaczenie różnicy.

2. Dwie wersje testu: wariancje równe i nierówne

W klasycznej wersji testu t zakłada się, że obie populacje mają tę samą wariancję. Wtedy oblicza się wspólne, tak zwane łączone oszacowanie wariancji:

s_p² = [(n₁ − 1)s₁² + (n₂ − 1)s₂²] / (n₁ + n₂ − 2).

Statystyka testowa przyjmuje wtedy postać:

t = (x̄₁ − x̄₂) / [s_p √(1/n₁ + 1/n₂)].

Oznaczenia są następujące:

• x̄₁ i x̄₂ – średnie w obu próbach;
• s_p – wspólne oszacowanie odchylenia standardowego;
• n₁ i n₂ – liczebności grup;
• t – wartość statystyki testowej;
• liczba stopni swobody: df = n₁ + n₂ − 2.

W praktyce często preferuje się test Welcha, który nie wymaga założenia równości wariancji. Jego statystyka ma postać:

t = (x̄₁ − x̄₂) / √(s₁²/n₁ + s₂²/n₂).

Liczbę stopni swobody przybliża się wzorem Satterthwaite’a:

df ≈ (s₁²/n₁ + s₂²/n₂)² / [(s₁²/n₁)²/(n₁ − 1) + (s₂²/n₂)²/(n₂ − 1)].

Stopnie swobody w teście Welcha mogą być niecałkowite. Nie jest to błąd, lecz skutek zastosowanego przybliżenia. Test Welcha jest szczególnie użyteczny przy nierównych wariancjach lub nierównych liczebnościach grup (Welch, 1947; Kim, 2015). Nie należy więc mechanicznie traktować testu Levene’a jako bramki decydującej, czy wolno użyć testu Welcha. W wielu sytuacjach można z góry zaplanować wersję Welcha, ponieważ wymaga mniej restrykcyjnych założeń dotyczących wariancji.

3. Najważniejsze założenia testu

3.1. Dwie próby są rzeczywiście niezależne

Niezależność oznacza, że wynik jednej osoby nie jest naturalnie połączony z wynikiem konkretnej osoby z drugiej grupy. Przykładem dwóch prób niezależnych jest porównanie pacjentów przydzielonych do dwóch różnych oddziałów albo studentów z dwóch odrębnych kierunków, jeżeli nie tworzono par.

Założenie jest naruszone, gdy:

• te same osoby mierzono przed i po interwencji;
• pacjentów dobierano w pary pod względem wieku lub płci;
• każdy wynik w jednej grupie ma przypisany odpowiedni wynik w drugiej grupie;
• obserwacje pochodzą z wielu osób należących do tych samych rodzin, klas, zespołów lub placówek.

W pierwszych trzech sytuacjach właściwszy może być test t dla prób zależnych. W ostatniej sytuacji problemem jest klastrowanie: wyniki osób z tej samej placówki mogą być do siebie bardziej podobne niż wyniki osób z różnych placówek. Wtedy zwykły test t może zaniżać niepewność oszacowania, a potrzebny może być model uwzględniający strukturę skupień.

3.2. Zmienna wynikowa jest ilościowa

Test t porównuje średnie, dlatego zmienna wynikowa powinna być mierzona co najmniej na skali przedziałowej, a interpretacja średniej musi mieć sens merytoryczny. Typowe przykłady to stężenie hemoglobiny, masa ciała, ciśnienie tętnicze, czas reakcji, wynik skali psychologicznej albo czas hospitalizacji.

W przypadku pojedynczych pozycji typu „zdecydowanie nie zgadzam się – zdecydowanie się zgadzam” ostrożność jest większa, ponieważ odpowiedzi mają charakter porządkowy. Dla sum lub średnich z wielu pozycji skali zastosowanie metod opartych na średniej bywa uzasadnione, ale decyzja powinna uwzględniać konstrukcję narzędzia, liczbę kategorii i rozkład wyników.

3.3. Brak skrajnych obserwacji zniekształcających średnią

Średnia arytmetyczna jest wrażliwa na wartości odstające. Jedna nietypowa obserwacja może zmienić różnicę średnich, odchylenie standardowe oraz wartość p. Dlatego należy analizować wartości skrajne w kontekście:

• poprawności wpisania danych;
• pomyłek pomiarowych;
• odmiennych, lecz prawdziwych przypadków klinicznych;
• kryteriów włączenia i wyłączenia uczestników.

Nie wolno usuwać obserwacji tylko dlatego, że pogarsza wynik testu. Jeżeli wykluczenie jest uzasadnione, należy opisać regułę, zastosować ją konsekwentnie i rozważyć analizę wrażliwości.

3.4. Rozkład wyników w grupach

W małych próbach test t opiera się na założeniu, że wyniki w każdej populacji mają rozkład zbliżony do normalnego. Nie oznacza to, że histogram próby musi idealnie przypominać dzwon. W praktyce ocenia się przede wszystkim silną skośność, ciężkie ogony, wielomodalność i obecność wartości odstających.

Normalność należy sprawdzać graficznie, na przykład za pomocą histogramu, wykresu pudełkowego i wykresu kwantylowo-kwantylowego. Sam test Shapiro–Wilka nie powinien być jedyną podstawą decyzji. W małych próbach ma ograniczoną moc, a w dużych może wykrywać odchylenia niemające istotnego znaczenia praktycznego (Kim i Park, 2019). Należy połączyć wynik testu z oceną wykresów, liczebnością próby i wiedzą o badanej zmiennej.

Test t bywa dość odporny na umiarkowane odstępstwa od normalności, szczególnie przy podobnych liczebnościach grup i braku silnych wartości odstających. Odporność nie oznacza jednak, że każde naruszenie można zignorować.

3.5. Równość wariancji – tylko dla wersji klasycznej

Założenie homogeniczności wariancji dotyczy klasycznego testu t z wariancją łączoną. Oznacza, że rozproszenie wyników w obu populacjach jest podobne. Nie chodzi o identyczne odchylenia standardowe co do ostatniego miejsca po przecinku, lecz o brak dużej i merytorycznie istotnej różnicy w zmienności.

Jeśli wariancje są różne, szczególnie gdy liczebności grup także są różne, klasyczny test może mieć niewłaściwy poziom błędu pierwszego rodzaju. W takiej sytuacji naturalnym rozwiązaniem jest test Welcha, który wykorzystuje osobne wariancje i osobne składniki błędu standardowego (Welch, 1947).

Nie należy mylić równości wariancji z równością średnich. Grupy mogą mieć podobne średnie, ale bardzo różne rozproszenie, albo podobne wariancje, lecz różne średnie.

4. Jak sprawdzać założenia krok po kroku?

1. Sprawdź projekt badania. Ustal, czy grupy są niezależne i czy nie występują pary, powtórzone pomiary lub klastry.
2. Określ zmienną wynikową. Oceń jej skalę pomiaru, sposób obliczenia i sens porównywania średnich.
3. Obejrzyj dane. Sprawdź histogramy, wykresy pudełkowe, wartości minimalne i maksymalne oraz brakujące obserwacje.
4. Oceń skośność i wartości odstające. Zdecyduj, czy wpływają na średnią i czy mogą być błędami.
5. Porównaj wariancje. Zestaw odchylenia standardowe i rozważ wykres rozproszenia. Jeśli nie ma mocnego powodu do zakładania równości wariancji, wybierz test Welcha.
6. Zapewnij kompletność raportu. Podaj średnie, odchylenia standardowe, różnicę średnich, przedział ufności, wartość statystyki, stopnie swobody i wartość p.

5. Przykład 1: ciśnienie tętnicze po dwóch sposobach edukacji

W badaniu porównano skurczowe ciśnienie tętnicze po programie edukacyjnym prowadzonym stacjonarnie i po programie internetowym. Do grupy stacjonarnej włączono 32 osoby, a do internetowej 28 osób. Każda osoba uczestniczyła tylko w jednym programie, więc niezależność obserwacji między grupami jest wiarygodna.

Średnie wynosiły odpowiednio 132 i 137 mmHg. Różnica średnich wyniosła −5 mmHg. Odchylenie standardowe w pierwszej grupie wynosiło 8 mmHg, a w drugiej 17 mmHg. Tak duża różnica rozproszenia sugeruje, że klasyczna wersja testu z wariancją łączoną nie jest najlepszym wyborem. Analizę można zaplanować z użyciem testu Welcha.

Wynik należy interpretować nie tylko przez pryzmat wartości p. Należy podać również 95-procentowy przedział ufności dla różnicy średnich. Jeżeli przedział obejmuje zarówno niewielką korzyść, jak i brak różnicy, wynik może być niejednoznaczny praktycznie, nawet gdy punktowa różnica wynosi 5 mmHg. Z kolei istotność statystyczna nie mówi, czy spadek ciśnienia jest wystarczający z punktu widzenia praktyki klinicznej.

6. Przykład 2: lęk u studentów dwóch kierunków

Badacz porównuje wynik kwestionariusza lęku u studentów pielęgniarstwa i studentów ratownictwa. W obu grupach wynik jest sumą kilkunastu pozycji, a wyższa wartość oznacza większe nasilenie lęku. Grupy są niezależne, ale liczebności wynoszą 18 i 61 osób.

W takiej sytuacji nierówne liczebności zwiększają znaczenie oceny wariancji i wartości odstających. Jeśli kilka osób w mniejszej grupie ma bardzo wysokie wyniki, średnia może być niestabilna. Badacz powinien obejrzeć wykresy, zgłosić liczebności oraz rozważyć przedział ufności. Jeżeli rozkład jest silnie skośny i występują obserwacje wpływowe, alternatywą może być analiza odporna, transformacja albo model odpowiedni dla charakteru wyniku. Sam fakt, że oprogramowanie oferuje test t, nie rozwiązuje problemu adekwatności modelu.

7. Przykład praktyczny: jak raportować wynik?

Załóżmy, że w badaniu czasu oczekiwania na konsultację medyczną porównano dwie poradnie. W poradni A średni czas wynosił 42 minuty, a w poradni B 51 minut. Różnica średnich wyniosła −9 minut. Zastosowano test Welcha, ponieważ odchylenia standardowe były różne, a liczebności grup nierówne.

Przykładowy zapis może wyglądać następująco:

Średni czas oczekiwania był niższy w poradni A niż w poradni B o 9 minut. Różnicę oceniono za pomocą testu t-Welcha. Wynik przedstawiono jako różnicę średnich wraz z 95-procentowym przedziałem ufności, wartością statystyki t, przybliżonymi stopniami swobody i wartością p. Interpretacja dotyczy różnicy średnich w analizowanej próbie; nie przesądza o przyczynach dłuższego oczekiwania.

Takie sformułowanie jest lepsze niż zdanie „poradnia A powoduje krótsze oczekiwanie”, jeżeli dane pochodzą z obserwacyjnego porównania, a pacjentów nie przydzielano losowo. Wniosek przyczynowy wymaga odpowiedniego projektu i kontroli alternatywnych wyjaśnień.

8. Najczęstsze błędy

• Używanie testu dla prób niezależnych przy pomiarze przed–po. Te same osoby tworzą dane zależne, więc potrzebna jest analiza różnic wewnątrzosobniczych.
• Automatyczne stosowanie klasycznej wersji testu. Jeżeli wariancje są różne, należy rozważyć test Welcha.
• Traktowanie testu Shapiro–Wilka jako ostatecznego arbitra. Decyzję należy oprzeć na wykresach, liczebności, skrajności odchyleń i celu analizy.
• Usuwanie wartości odstających bez uzasadnienia. Obserwacja nietypowa nie jest automatycznie błędna.
• Interpretowanie wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p opisuje zgodność danych z H₀ przy założeniach modelu; nie jest prawdopodobieństwem, że H₀ jest prawdziwa.
• Pomijanie wielkości efektu. Sama istotność statystyczna nie informuje o skali ani znaczeniu różnicy.
• Wyciąganie wniosków przyczynowych z danych obserwacyjnych. Różnica średnich nie dowodzi, że przynależność do grupy ją wywołała.
• Porównywanie wielu par grup bez kontroli problemu wielokrotnych testów. Przy większej liczbie analiz rośnie ryzyko przypadkowego wyniku istotnego.

9. Istotność statystyczna, wielkość efektu i znaczenie praktyczne

Raportując wynik, należy rozdzielić trzy pytania. Po pierwsze: czy dane dostarczają podstaw do odrzucenia H₀ przy przyjętym poziomie alfa? Po drugie: jak duża jest różnica? Po trzecie: czy różnica ma znaczenie kliniczne, psychologiczne, organizacyjne lub społeczne?

Warto podać różnicę średnich w jednostkach oryginalnej zmiennej oraz 95-procentowy przedział ufności. Można również przedstawić standaryzowaną wielkość efektu, na przykład d Cohena lub wariant skorygowany dla małych prób, pamiętając, że interpretacja progów „mały–średni–duży” nie zastępuje wiedzy dziedzinowej. W badaniach medycznych różnica 3 mmHg może mieć inne znaczenie niż różnica 3 punktów w krótkiej skali objawów.

Co warto zapamiętać?

• Test t dla dwóch prób niezależnych służy do porównania średnich w dwóch niepowiązanych grupach.
• Najważniejsze założenie dotyczy niezależności obserwacji; nie można naprawić jej naruszenia samym wyborem innej wersji testu t.
• Zmienna wynikowa powinna być ilościowa, a średnia musi mieć sens interpretacyjny.
• Normalność ocenia się przede wszystkim za pomocą wykresów i wiedzy o danych, nie tylko pojedynczego testu formalnego.
• Równość wariancji jest potrzebna klasycznej wersji testu z wariancją łączoną, ale nie testowi Welcha.
• Przy nierównych wariancjach lub nierównych liczebnościach test Welcha jest zwykle bezpieczniejszym wyborem.
• Wynik należy raportować razem z różnicą średnich, przedziałem ufności, wielkością efektu i oceną znaczenia praktycznego.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej i nie zastępuje interpretacji merytorycznej.

W następnych lekcjach modułu można przejść od założeń do pełnego raportowania porównania dwóch grup oraz do sytuacji, w których średnia i test t nie są najlepszym opisem danych.

Źródła i dalsza lektura

1. Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1–2), 28–35. DOI: 10.1093/biomet/34.1-2.28.
2. Kim, T. K. (2015). T test as a parametric statistic. Korean Journal of Anesthesiology, 68(6), 540–546. DOI: 10.4097/kjae.2015.68.6.540.
3. Kim, T. K.; Park, J. H. (2019). More about the basic assumptions of t-test: normality and sample size. Korean Journal of Anesthesiology, 72(4), 331–335. DOI: 10.4097/kja.d.18.00292.
4. Ruxton, G. D. (2006). The unequal variance t-test is an underrated alternative to Student’s t-test and the Mann–Whitney U test. Behavioral Ecology, 17(4), 688–690. DOI: 10.1093/beheco/ark016.
5. Kirkwood, B. R.; Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science.
6. Delacre, M.; Lakens, D.; Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1), 92–101. DOI: 10.5334/irsp.82.