Test t

Autor: Dr. Mathias Jesussek
Zaktualizowano: 21 stycznia 2026

Czym jest test t?

Test t pomaga ocenić, czy zaobserwowana różnica między dwiema grupami jest większa niż zwykle oczekiwalibyśmy wyłącznie na podstawie zmienności losowej próby, przy założeniu, że w populacji nie ma rzeczywistej różnicy.

Istnieją trzy główne wersje testu, zależnie od tego, co porównujesz:

• Jednopróbkowy test t: porównuje średnią jednej grupy ze znaną wartością lub standardem.
• Test t dla dwóch prób niezależnych: porównuje średnie dwóch całkowicie odrębnych grup, np. grupy leczonej i grupy kontrolnej.
• Test t dla prób zależnych: porównuje średnie w tej samej grupie w dwóch różnych momentach, np. „przed” i „po” interwencji.

Jak działa test t?

Test t ocenia, czy zaobserwowana różnica jest zgodna z hipotezą zerową. W tym celu porównuje dwie rzeczy:

• wielkość różnicy między średnimi (sygnał) oraz
• zmienność, czyli rozproszenie wartości w grupach (szum).

Jeśli różnica jest duża w porównaniu z naturalną zmiennością, sugeruje to, że grupy prawdopodobnie różnią się w rzeczywistości, a nie tylko w Twojej próbie. Test wyznacza wartość p, która pomaga ocenić siłę tych dowodów.

Rodzaje testu t

Istnieją trzy różne rodzaje testów t: jednopróbkowy test t, test t dla prób niezależnych oraz test t dla prób zależnych.

Jednopróbkowy test t

Jednopróbkowego testu t używamy, gdy chcemy porównać średnią z próby ze znaną średnią referencyjną.

Synonimy:

• Test t dla jednej próby
• Jednopróbkowy test t Studenta
• Prosty test t

Przykład jednopróbkowego testu t

Producent batonów czekoladowych twierdzi, że jego batony ważą średnio 50 gramów. Aby to sprawdzić, pobieramy próbę 30 batonów i ważymy je. Średnia wartość w tej próbie wynosi 48 gramów. Możemy teraz przeprowadzić jednopróbkowy test t, aby sprawdzić, czy średnia 48 gramów istotnie różni się od deklarowanych 50 gramów.

Test t dla prób niezależnych

Testu t dla prób niezależnych używamy, gdy chcemy porównać średnie dwóch niezależnych grup lub prób. Chcemy sprawdzić, czy między tymi średnimi występuje istotna różnica.

Synonimy:

• Test t dla dwóch prób
• Test t dla prób niezależnych
• Niezależny test t

Przykład testu t dla prób niezależnych

Chcemy porównać skuteczność dwóch leków przeciwbólowych: leku A i leku B. W tym celu losowo dzielimy 60 badanych osób na dwie grupy. Pierwsza grupa otrzymuje lek A, a druga grupa otrzymuje lek B. Za pomocą testu t dla prób niezależnych możemy teraz sprawdzić, czy istnieje istotna różnica w łagodzeniu bólu między tymi dwoma lekami.

Test t dla prób zależnych

Test t dla prób zależnych służy do porównywania średnich dwóch zależnych grup. W próbie zależnej (sparowanej) wartości pomiarów występują parami. Pary powstają na przykład przez powtarzane pomiary u tych samych osób.

Synonimy:

• Test t dla prób zależnych
• Test t dla pomiarów powtarzanych
• Test t dla par

Przykład testu t dla prób zależnych

Chcemy sprawdzić, jak skuteczna jest dieta. W tym celu ważymy 30 osób przed dietą i dokładnie te same osoby po diecie. Teraz dla każdej osoby możemy zobaczyć, jak duża jest różnica masy ciała między pomiarem przed i po. Za pomocą testu t dla prób zależnych możemy sprawdzić, czy występuje istotna różnica.

Hipotezy

Przed wykonaniem testu t formułujemy dwa przeciwstawne twierdzenia: hipotezę zerową i hipotezę alternatywną.

• Hipoteza zerowa (H0): Nie ma rzeczywistej różnicy. Każda niewielka różnica, którą widzisz w danych, nie istnieje w „rzeczywistym świecie” (populacji) i wynika po prostu z losowego przypadku.
• Hipoteza alternatywna (H1): To twierdzenie przeciwne. Zakłada, że istnieje rzeczywista, systematyczna różnica, która wykracza poza zwykły przypadek.

Założenia testu t

Aby wyniki testu t były wiarygodne i pozwalały na poprawne wnioskowanie o „rzeczywistym świecie” (populacji), muszą być spełnione określone warunki:

1. Odpowiednia struktura próby: W zależności od pytania badawczego potrzebny jest właściwy układ danych:

• Jednopróbkowy test t: jedna grupa i jedna stała wartość referencyjna.
• Test t dla prób niezależnych: dwie całkowicie odrębne, niepowiązane grupy.
• Test t dla prób zależnych: próba zależna (np. te same osoby zmierzone dwukrotnie).

2. Ciągła skala pomiaru: Testowana zmienna powinna być „mierzalna” (skala przedziałowa lub ilorazowa). Typowe przykłady to wiek, masa ciała, dochód lub czas reakcji.

3. Rozkład normalny: W małych próbach rozkład badanej zmiennej powinien być w przybliżeniu normalny. W teście dla prób zależnych dotyczy to rozkładu różnic w parach. Aby sprawdzić normalność, możesz użyć testu Shapiro-Wilka lub wykresu Q-Q.

4. Jednorodność wariancji (tylko test t dla prób niezależnych): „Rozproszenie”, czyli wariancja w obu grupach, powinno być w przybliżeniu równe. Jeśli jedna grupa jest bardzo rozproszona, a druga bardzo skupiona, standardowy test t może dawać mylące wyniki. Możesz to sprawdzić za pomocą testu Levene'a.

5. Losowy dobór próby: Punkty danych powinny stanowić losowy wybór z populacji. Dzięki temu próba jest rzetelną reprezentacją rzeczywistości i nie jest zniekształcona przez błąd selekcji.

Dlaczego potrzebujemy testu t?

Załóżmy, że mamy teorię:

„Mężczyźni i kobiety w Niemczech poświęcają różną ilość czasu na ukończenie studiów”.

W idealnym świecie zapytalibyśmy każdego absolwenta w Niemczech. Ponieważ jednak jest to niemożliwe, wybieramy mniejszą próbę absolwentów, która ma reprezentować cały kraj.

Teraz pojawia się trudna część: nawet jeśli mężczyźni i kobiety w całych Niemczech poświęcają na studia dokładnie tyle samo czasu, Twoja konkretna próba prawie nigdy nie pokaże różnicy dokładnie równej zeru. Zwykłym przypadkiem wybrana grupa mężczyzn mogła studiować trochę dłużej (lub krócej) niż grupa kobiet.

Skąd więc wiemy, czy różnica widoczna w naszych danych jest „rzeczywistym” trendem w Niemczech, czy tylko wynikiem przypadku w naszej próbie?

Właśnie to robi test t. Ocenia, jak zgodna z hipotezą zerową jest tak duża lub jeszcze większa różnica. Jeśli wartość p jest mała, dane przemawiają przeciwko hipotezie zerowej.

Jak obliczyć test t?

Podstawą każdego testu t jest wartość t. Wartość t można traktować jako stosunek „sygnału” (znalezionej różnicy) do „szumu” (losowych wahań w danych).

Do obliczenia wartości t potrzebujemy dwóch elementów:

1. różnicy między średnimi (sygnału),
2. błędu standardowego (szumu), który informuje, jak bardzo średnie mogą wahać się wyłącznie przez przypadek.

Jednopróbkowy test t

W jednopróbkowym teście t obliczamy różnicę między średnią z próby a stałą wartością referencyjną. Aby uzyskać składnik „szumu”, bierzemy odchylenie standardowe (s) i dzielimy je przez pierwiastek kwadratowy z liczebności próby (n). W ten sposób otrzymujemy błąd standardowy.

Zatem s podzielone przez pierwiastek kwadratowy z n to błąd standardowy.

Test t dla prób niezależnych

W teście t dla prób niezależnych różnica jest po prostu obliczana jako różnica dwóch średnich z prób.

Obliczenie błędu standardowego jest tutaj nieco bardziej złożone, ponieważ trzeba uwzględnić zmienność i liczebność obu prób. W zależności od tego, czy grupy mają podobne wariancje, wzór nieco się zmienia. Szczegóły znajdziesz w samouczku dotyczącym testów t dla prób niezależnych.

Test t dla prób zależnych

W teście t dla prób zależnych najpierw analizujemy indywidualne różnice w każdej parze (np. wynik osoby A przed pomiarem minus wynik osoby A po pomiarze). Następnie obliczamy średnią tych różnic.

Błąd standardowy jest wtedy taki sam jak w jednopróbkowym teście t.

Interpretacja wartości t

Gdy masz już wartość t, co ona właściwie oznacza? Potraktuj ją jako starcie między sygnałem (różnicą średnich) a szumem (zmiennością w danych).

Sygnał (różnica średnich): Wartość t jest bezpośrednio powiązana z różnicą między średnimi. Jeśli różnica rośnie, rośnie również wartość t. Duża wartość t sugeruje, że znaleziona różnica jest dość znaczna w porównaniu z szumem tła.

Szum (błąd standardowy): Z drugiej strony wartość t staje się mniejsza, gdy w danych występuje duże „rozproszenie”. W rzeczywistym świecie im większe rozproszenie, tym bardziej prawdopodobne, że każda znaleziona różnica średnich jest tylko wynikiem losowej fluktuacji (przypadku doboru próby).

Wartość t i wartość p

Gdy masz już wartość t, pozostaje ostatnie pytanie: czy ta wartość t jest „wystarczająco duża”, aby miała znaczenie, czy jest tylko szumem tła?

Są dwa sposoby podjęcia tej decyzji:

1. Współczesna ścieżka: wartość p

To metoda używana przez prawie wszystkie współczesne programy statystyczne i badaczy. Zamiast patrzeć do tabeli, komputer oblicza dla Ciebie konkretne prawdopodobieństwo: wartość p.

• Wartość p mówi, jak prawdopodobne jest uzyskanie Twojego wyniku lub wyniku bardziej ekstremalnego, gdyby hipoteza zerowa była prawdziwa (czyli gdyby faktycznie nie było różnicy).
• Reguła: Jeśli p < 0.05, wynik nazywa się statystycznie istotnym. Dane przemawiają wtedy przeciwko hipotezie zerowej.

2. Klasyczna ścieżka: krytyczna wartość t

To tradycyjny sposób. Porównujesz obliczoną wartość t ze stałym „progiem” nazywanym krytyczną wartością t.

• W teście dwustronnym odrzucasz hipotezę zerową, jeśli wartość bezwzględna obliczonej statystyki t jest większa niż wartość krytyczna.
• Warto wiedzieć: Ponieważ odczytywanie wartości z papierowych tabel jest dziś istotne głównie na egzaminach uniwersyteckich, przygotowaliśmy osobne, szczegółowe omówienie: Jak odczytywać tabelę rozkładu t.

Wynik pozostaje taki sam: Niezależnie od wybranej ścieżki zawsze dojdziesz do tego samego wniosku. Obie metody są po prostu różnymi sposobami zadania tego samego pytania: „Czy mój sygnał jest wystarczająco silny, aby traktować go poważnie?”

Czym jest wartość p?

W istocie wartość p mówi:

„Jeśli hipoteza zerowa byłaby prawdziwa, jak prawdopodobne jest, że przez losową fluktuację uzyskał(a)bym wynik tak ekstremalny lub jeszcze bardziej ekstremalny niż mój?”

• Wysoka wartość p (np. 0.45): Oznacza, że wynik jest bardzo typowy nawet wtedy, gdy nie ma rzeczywistego efektu. „Sygnał” jest prawdopodobnie tylko losową fluktuacją.
• Niska wartość p (np. 0.03): Oznacza, że wynik byłby bardzo rzadki, gdyby nie było rzeczywistego efektu. Dostarcza to silnych dowodów przeciwko hipotezie zerowej.

Próg 0.05

W większości dziedzin nauki stosujemy próg 0.05 (5%).

• Jeśli p < 0.05: Mówimy, że wynik jest „statystycznie istotny”. Odrzucamy hipotezę zerową. Dane przemawiają za występowaniem różnicy w populacji.
• Jeśli p > 0.05: Nie odrzucamy hipotezy zerowej. Dane nie dostarczają wystarczających dowodów, aby wykluczyć czysty przypadek.

Ważne do zapamiętania: Wartość p nie jest „dowodem” prawdy. To po prostu narzędzie, które pomaga nam zdecydować, czy zaobserwowane dane są na tyle nietypowe, aby poważnie potraktować „sygnał”. Pomaga odróżnić szczęśliwy traf w próbie od wiarygodnego trendu w populacji.

Stopnie swobody (df)

Stopnie swobody zasadniczo mówią testowi t, ile „informacji” masz w danych. W rzeczywistym świecie im mniej osób mierzysz, tym bardziej prawdopodobne jest, że losowa fluktuacja stworzy skrajne wyniki. df dostosowują rozkład t, aby to uwzględnić:

Jak obliczyć df

Obliczenie zależy od rodzaju używanego testu t:

Gdzie n oznacza liczbę uczestników w każdej grupie lub liczbę par.

Krótko mówiąc: Nie da się uzyskać wartości p na podstawie samej wartości t. Zawsze potrzebujesz df, aby wskazać komputerowi (lub tabeli), której konkretnej wersji rozkładu t należy użyć.

Testy jednostronne a dwustronne

Zanim obliczysz wartość p, musisz zdecydować, w którym „kierunku” szukasz sygnału. W statystyce nazywamy to wyborem między testem jednostronnym a dwustronnym. Ten wybór odnosi się do „ogonów” krzywej rozkładu t, w których znajdują się wyniki skrajne.

1. Test dwustronny (bez kierunku)

To standardowe podejście. Używasz go, gdy chcesz wiedzieć, czy istnieje jakakolwiek różnica, niezależnie od tego, czy jest to wzrost, czy spadek.

• Hipoteza: „Czy nowy program treningowy zmienia wyniki?” (Mogą się poprawić albo pogorszyć).
• Logika: Szukasz sygnału w obu kierunkach. Ponieważ dzielisz uwagę między oba ogony rozkładu, trudniej osiągnąć „próg” wyniku istotnego.

2. Test jednostronny (kierunkowy)

Używasz go tylko wtedy, gdy przed analizą danych uzasadniono badanie zmiany w jednym konkretnym kierunku, a wynik w kierunku przeciwnym nie prowadziłby do odrzucenia hipotezy zerowej.

• Hipoteza: „Czy nowy program treningowy konkretnie poprawia wyniki?”
• Logika: Całą swoją „moc statystyczną” kierujesz do jednego ogona. Ułatwia to znalezienie istotnego wyniku w tym konkretnym kierunku, ale całkowicie ignorujesz każdy sygnał w kierunku przeciwnym — nawet jeśli jest ogromny!

Oblicz test t za pomocą numiqo

Jeśli chcesz obliczyć test t za pomocą numiqo, wystarczy skopiować własne dane do tabeli, kliknąć „Test hipotez”, a następnie wybrać żądane zmienne.

Na przykład, jeśli chcesz sprawdzić, czy płeć ma wpływ na wynagrodzenie, po prostu kliknij obie zmienne, a test t dla prób niezależnych zostanie obliczony automatycznie. Następnie możesz odczytać wartość p na dole.

Jeśli nadal nie masz pewności, jak interpretować wyniki, możesz po prostu kliknąć „Podsumowanie słowne”: