Du kan skrive din egen funktion baseret på det, vi ved om mekanikken i to-prøve $ t $ -test. For eksempel vil dette gøre jobbet:

  # m1, m2: prøven betyder # s1, s2: prøve standardafvigelser # n1, n2: de samme størrelser # m0: nullværdien for forskellen i midler, der skal testes for. Standard er 0. # equal.variance: om man skal antage lige varians eller ej. Standard er FALSE. t.test2 <- funktion (m1, m2, s1, s2, n1, n2, m0 = 0, equal.variance = FALSE) {if (equal.variance == FALSE) {se <- sqrt ((s1 ^ 2 / n1) + (s2 ^ 2 / n2)) # welch-satterthwaite df df <- ((s1 ^ 2 / n1 + s2 ^ 2 / n2) ^ 2) / ((s1 ^ 2 / n1) ^ 2 / (n1 -1) + (s2 ^ 2 / n2) ^ 2 / (n2-1))} ellers {# samlet standardafvigelse, skaleret efter prøvestørrelserne se <- sqrt ((1 / n1 + 1 / n2) * (( n1-1) * s1 ^ 2 + (n2-1) * s2 ^ 2) / (n1 + n2-2)) df <- n1 + n2-2} t <- (m1-m2-m0) / se dat <- c (m1-m2, se, t, 2 * pt (-abs (t), df)) navne (dat) <- c ("Forskel mellem midler", "Std-fejl", "t", "p -værdi ") return (dat)}  

Eksempel på brug:

  set.seed (0) x1 <- rnorm (100) x2 <- rnorm (200) # du finder dette output stemmer overens med det for t.test når du indtaster x1, x2 (tt2 <- t.test2 (middel (x1), middel (x2), sd (x1), sd (x2) , længde (x1), længde (x2))) Forskel på middelværdi Std-fejl t p-værdi -0.05692268 0.12192273 -0.46687500 0.64113442 

Dette matcher resultatet af t.test:

  (tt < - t.test (x1, x2)) # Welch to eksempler t-test # # data: x1 og x2 # t = 0.10427, df = 223.18, p-værdi = 0.917 # alternativ hypotese: sand forskel i middel er ikke lig med 0 # 95 procent konfidensinterval: # -0.2118062 0.2354734 # prøveestimater: # gennemsnit af x gennemsnit af y # 0.02266845 0.01083487 tt $ statistik == tt2 [["t"]] # t
# SAND tt $ p.value == tt2 [["p-værdi"]] # [1] SAND  

Du beregner det bare manuelt: $$ t = \ frac {(\ text {middel} _f - \ tekst {middel} _m) - \ tekst {forventet forskel}} {SE} \\ ~ \\ ~ \ \ SE = \ sqrt {\ frac {sd_f ^ 2} {n_f} + \ frac {sd_m ^ 2} {n_m}} \\ ~ \\ ~ \\\ tekst {hvor,} ~~~ df = n_m + n_f - 2 $$

Den forventede forskel er sandsynligvis nul.

Hvis du vil have p-værdien, skal du blot bruge pt () -funktionen:

  pt (t, df)  

Således sætter koden sammen:

  > p = pt (((((1.666667) - 4.500000) - 0) / sqrt (0.5773503 / 3 + 0.5773503 / 4)), (3 + 4 - 2)) > p [1] 0.002272053  

Dette forudsætter lige afvigelser, som er indlysende, fordi de har den samme standardafvigelse.

Du kan udføre beregningerne ud fra formlen i bogen (på websiden), eller du kan generere tilfældige data, der har de angivne egenskaber (se funktionen mvrnorm i MASS -pakke) og brug den almindelige t.test -funktion på de simulerede data.

Spørgsmålet stilles om R, men problemet kan opstå med enhver anden statistisk software. Stata har for eksempel forskellige såkaldte øjeblikkelige kommandoer, som tillader beregninger udelukkende fra oversigtsstatistikker. Se http://www.stata.com/manuals13/rttest.pdf for den særlige sag med kommandoen ttesti , der gælder her.

En anden mulig løsning er at simulere datasættene og derefter bruge standard t-testfunktionen. Det kan være mindre effektivt, beregningsmæssigt set, men det er meget simpelt.