AI/기초통계

[기초통계] 모평균 비교 :: 독립인 모집단에서 표본의 크기가 작을 때 (2) :: t.test() in R

슈퍼짱짱 2019. 11. 27. 12:03
반응형

독립인 두 모집단에서 표본의 크기가 작을 때 모평균의 차 (\(\mu_{1} - \mu_{2}\)) 비교


표본의 크기가 작을 때는 일반적으로 두 모집단에 대하여 정규분포 가정이 필요하다. 또 다른 가정은 ① 두 모집단의 표준편차가 같다고 가정하는 경우와 ② 두 모집단의 표준편차가 다르다고 가정하는 경우이다. 


이전 포스팅에서 독립인 두 모집단에서 표본의 크기가 작을 때, 모표준편차가 같은 경우에 대한 모평균 비교 방법에 대해 알아보았다. 이번에는 모표준편차가 다를 때 모평균 비교 검정 방법에 대해 알아보겠다.


>> 독립인 두 모집단에서 표본의 크기가 작을 때 바로가기 




2. 두 모집단의 표준편차가 다른 경우


* 독립인 두 모집단에서 표본의 크기가 작고 두 모표준편차가 다를 때, 모평균의 차 (\(\mu_{1} - \mu_{2}\))에 대한 추론


모평균의 차 (\(\mu_{1} - \mu_{2}\))에 대한 \(100(1-\alpha)%\) 신뢰구간은 근사적으로

$$ (\bar{X} - \bar{Y}) \pm t^*_{\alpha/2} \times \sqrt{\frac{s^2_{1}}{n_{1}} + \frac{s^2_{2}}{n_{2}}} $$

이다. 이 때 \(t^*\)의 자유도는 \((n_{1}-1)\)과 \((n_{2}-1)\) 중 작은 값이다.


가설 \(H_{0} : \mu_{1} - \mu_{2} = \delta_{0}\)에 대한 검정통계량은 다음과 같다.

$$ t^* = \frac{(\bar{X} - \bar{Y}) - \delta_{0}}{\sqrt{\frac{s^2_{1}}{n_{1}} + \frac{s^2_{2}}{n_{2}}}} $$

이 검정통계량의 분포는 \(H_{0}\)가 맞을 때 근사적으로 자유도가 \((n_{1}-1)\)과 \((n_{2}-1)\) 중 작은 값인 t 분포를 따른다.




독립인 두 모집단에서 표본의 크기가 작고, 두 모표준편차가 다를 때 t.test() in R


예) 

\(X \sim N(0, 1)\)에서 13개의 표본을, \(Y \sim N(0, 3^2)\)에서 11개의 표본을 수집했다. 이 때 \(\mu_{1} - \mu_{2}\)에 대해 다음 가설을 검정하라.

$$ H_{0} : \mu_{1} - \mu_{2} = 0\ 대\ H_{1} : \mu_{1} - \mu_{2} \ne 0 $$


> x_n <- 13

> y_n <- 11


# sampling

> x <- rnorm(x_n, 0, 1)

> y <- rnorm(y_n, 0, 3)


# 등분산성 test : ratio of variances is not equal to 1

> var.test(x, y)


F test to compare two variances


data:  x and y

F = 0.27948, num df = 12, denom df = 10, p-value = 0.04036

alternative hypothesis: true ratio of variances is not equal to 1

95 percent confidence interval:

 0.07718541 0.94285454

sample estimates:

ratio of variances 

         0.2794841 


> t.test(x, y, alternative = "two.sided", mu = 0, var.equal = FALSE, conf.level = 0.95)


Welch Two Sample t-test


data:  x and y

t = -1.6276, df = 14.608, p-value = 0.125

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

 -2.9925511  0.4045788

sample estimates:

mean of x mean of y 

0.2249197 1.5189059 


검정 결과 p-value가 0.05보다 크므로 \(H_{0}\)를 기각할 수 없다. 즉, 두 집단의 평균이 다르다고 할 근거가 충분하지 않다. \(\mu_{1} - \mu_{2}\)에 대한 신뢰구간도 (-2.99, 0.40)으로 0을 포함하는 것을 볼 수 있다.


 * Welch test 자유도


표본의 크기가 작을 때, 두 모표준편차가 같으면 Student's T test를, 다르면 Welch's T test를 한다. 책에서는 Welch`s T test의 자유도가 \((n_{1}-1)\)과 \((n_{2}-1)\) 중 작은 값이라 나와있지만, 실제 통계프로그램에서 Welch`s T test의 자유도는 다음과 같다.

$$ df = \frac{(s^2_{1}/n_{1} + s^2_{2}/n_{2})^2}{(s_{1}^2/n_{1})^2/(n_{1}-1) + (s_{2}^2/n_{2})^2/(n_{2}-1)} $$


> df <- ((x_s^2/x_n) + (y_s^2/y_n))^2 / ((x_s^2/x_n)^2/(x_n-1) + (y_s^2/y_n)^2/(y_n-1))

> df

[1] 14.60818


검정통계량 t 와 신뢰구간을 직접 계산하면 다음과 같다.


# 평균

> x_m <- mean(x)

> y_m <- mean(y)


# 표준편차 

> x_s <- sd(x)

> y_s <- sd(y)


# 검정통계량 t 

> t <- (x_m - y_m)/sqrt((x_s^2/x_n) + (y_s^2/y_n))

> t

[1] -1.627564


# 자유도

> df <- ((x_s^2/x_n) + (y_s^2/y_n))^2 / ((x_s^2/x_n)^2/(x_n-1) + (y_s^2/y_n)^2/(y_n-1))


# 신뢰구간 

> l <- (x_m-y_m) - qt(0.025, df, lower.tail = F)*sqrt((x_s^2/x_n) + (y_s^2/y_n))

> u <- (x_m-y_m) + qt(0.025, df, lower.tail = F)*sqrt((x_s^2/x_n) + (y_s^2/y_n))


> l

[1] -2.992551

> u

[1] 0.4045788



반응형
1 2 3 4 5 6 7 ··· 30