ইনডিপেন্ডেন্ট স্যাম্পল t-টেস্ট দুটি আলাদা গ্রুপের গড় তুলনা করে। প্রশ্ন হলো: দেখা পার্থক্যটি কি কেবল ভাগ্যের কারণে হওয়া পার্থক্যের চেয়ে বড়?
কেন গুরুত্বপূর্ণ
চিকিৎসা, কর্মসূচি বা গ্রুপ তুলনায় এটি সবচেয়ে বেশি ব্যবহৃত টেস্টগুলোর একটি।
মূল ধারণা
- ফলাফল: সংখ্যাভিত্তিক (ধারাবাহিক)
- গ্রুপ: ঠিক দুটি, ভিন্ন ভিন্ন মানুষ নিয়ে
- t = গড়ের পার্থক্য ÷ স্ট্যান্ডার্ড এরর
- p-value = প্রকৃত পার্থক্য শূন্য হলে এত বড় পার্থক্য দেখা কতটা অস্বাভাবিক
- গড় পার্থক্য, ৯৫% CI ও ইফেক্ট সাইজ (Cohen's d) লিখুন
- Welch সংস্করণে সমান ভ্যারিয়ান্স ধরা হয় না
বাস্তব গবেষণার উদাহরণ
সিস্টোলিক রক্তচাপ: ডায়েট গ্রুপ (n = ৩০) গড় ১২৮, কন্ট্রোল গ্রুপ (n = ৩০) গড় ১৩৬। ৮ mmHg পার্থক্য কি সত্যিকারের নাকি ভাগ্যের?
কখন ব্যবহার করবেন
- সংখ্যাভিত্তিক ফলাফল ও দুটি স্বাধীন গ্রুপ
- প্রতি গ্রুপে ডেটা মোটামুটি নরমাল, অথবা প্রতি গ্রুপে n ≥ ৩০
কখন ব্যবহার করবেন না
- একই মানুষ দুইবার পরিমাপ → পেয়ার্ড t-টেস্ট
- তীব্র স্কিউ বা খুব ছোট n → ম্যান–হুইটনি U
- তিন বা তার বেশি গ্রুপ → ANOVA
ছোট উদাহরণ
গ্রুপ A: ১২০, ১২৫, ১৩০, ১২৮, ১২২ গ্রুপ B: ১৩৫, ১৪০, ১৩৮, ১৩২, ১৪১ দুটোই নিচের ক্যালকুলেটরে দিন।
মনে রাখুন
ছোট p-value মানে পার্থক্য কেবল ভাগ্যের কারণে হওয়ার সম্ভাবনা কম — গুরুত্বপূর্ণ তা নয়। সবসময় ইফেক্ট সাইজ ও CI দেখুন।
হাতে-কলমে চর্চা
উদাহরণ ডেটা দিয়ে ক্যালকুলেটর চালান, তারপর কিছু মান বদলান। t, p ও Cohen's d কীভাবে বদলায়? সিদ্ধান্ত নিন: পার্থক্যটি কি বাস্তবে অর্থবহ?
গ্রুপ দুটি আরও দূরে সরালে (বা ছড়ানো কমালে) |t| বাড়ে ও p কমে। পরিসংখ্যানিক তাৎপর্য মানেই ব্যবহারিক গুরুত্ব নয় — পার্থক্যের আকার ও CI-কে চিকিৎসাগতভাবে গুরুত্বপূর্ণ মানের সাথে মিলিয়ে বিচার করুন।