บทที่ 3

การวิเคราะห์ข้อมูลด้วย Microsoft Excel (Analyzing Data)




แต่ละแบบ และเครื่องมือนั้นจะใช้ฟังก์ชันแมโครทางสถิติหรือวิศวกรรมที่เหมาะสมเพื่อคำนวณและแสดงผลลัพธ์ในตารางผลลัพธ์ เครื่องมือบางอย่างจะสร้างแผนภูมิด้วยนอกเหนือจากตารางผลลัพธ์
Analysis ToolPak ประกอบด้วยเครื่องมือที่อธิบายด้านล่าง เมื่อต้องการเข้าถึงเครื่องมือเหล่านี้ ให้คลิก Data Analysis ในกลุ่ม วิเคราะห์ บนแท็บ ข้อมูล ถ้าคำสั่ง Data Analysis ไม่พร้อมให้ใช้งาน คุณจำเป็นต้องโหลดโปรแกรม Add-in ของ Analysis ToolPak
  1. คลิก ปุ่ม Microsoft Office รูปปุ่ม จากนั้นคลิก ตัวเลือกของ Excel
  1. คลิก Add-in แล้วในกล่อง ผสาน ให้เลือก Add-in ของ Excel
  2. คลิก ไป
  3. ในกล่อง Add-in ที่มีอยู่ ให้เลือกกล่องกาเครื่องหมาย Analysis ToolPak แล้วคลิก ตกลง
เคล็ดลับ    ถ้า Analysis ToolPak ไม่อยู่ในกล่อง Add-in ที่มีอยู่ ให้คลิก เรียกดู เพื่อระบุตำแหน่ง Analysis ToolPak
ถ้าคุณได้รับการเตือนว่ายังไม่ได้ติดตั้ง Analysis ToolPak ลงในเครื่องคอมพิวเตอร์ของคุณ ให้คลิก ใช่ เพื่อติดตั้ง Analysis ToolPak
 หมายเหตุ   เมื่อต้องการรวมฟังก์ชันใน Visual Basic for Application (VBA) สำหรับ Analysis ToolPak คุณสามารถโหลด Analysis ToolPak - VBA Add-in ด้วยวิธีเดียวกันกับที่คุณโหลด Analysis ToolPak ได้ ในกล่อง Add-in ที่มีอยู่ ให้เลือกกล่องกาเครื่องหมาย Analysis ToolPak - VBA
สำหรับคำอธิบายของเครื่องมือแต่ละอย่าง ให้คลิกบนชื่อเครื่องมือในรายการต่อไปนี้
เครื่องมือวิเคราะห์ Anova (ความแปรปรวน) มีการวิเคราะห์ค่าความแปรปรวนชนิดต่างๆ เครื่องมือที่คุณควรใช้จะขึ้นอยู่กับจำนวนปัจจัยและจำนวนตัวอย่างที่คุณมีจากประชากรที่คุณต้องการทดสอบ

Anova: Single Factor

เครื่องมีอนี้จะดำเนินการวิเคราะห์อย่างง่ายเกี่ยวกับค่าความแปรปรวนบนข้อมูลอย่างน้อย 2 ตัวอย่าง การวิเคราะห์จะมีการทดสอบสมมุติฐานว่าแต่ละตัวอย่างนั้นถูกสุ่มมาจากการแจกแจงความน่าจะเป็นฐานเดียวกัน เทียบกับสมมติฐานแย้งที่ฐานการแจกแจงความน่าจะเป็นไม่เหมือนกันสำหรับทุกตัวอย่าง ถ้ามีเพียงแค่ 2 ตัวอย่าง คุณสามารถใช้ฟังก์ชันแผ่นงาน TTEST ได้ แต่ถ้ามีตัวอย่างมากกว่า 2 ตัวอย่าง จะไม่สะดวกในการจัดให้อยู่ในรูปทั่วไปของ TTEST และสามารถนำรูปแบบ Single Factor Anova มาใช้แทนได้

Anova: Two-Factor with Replication

เครื่องมือวิเคราะห์นี้จะมีประโยชน์เมื่อข้อมูลสามารถแยกประเภทได้เป็นสองมิติที่ต่างกัน ตัวอย่างเช่น ในการทดลองเพื่อวัดความสูงของพืช พืชอาจจะได้รับปุ๋ยที่มีตราสินค้าต่างกัน (ตัวอย่างเช่น ก ข ค) และยังอาจจะเก็บไว้ในอุณหภูมิที่ต่างกัน (ตัวอย่างเช่น ต่ำ สูง) สำหรับแต่ละคู่ที่เป็นไปได้ทั้งหกคู่ {ปุ๋ย, อุณหภูมิ} เราจะมีจำนวนค่าสังเกตของความสูงพืชที่เท่ากัน โดยใช้เครื่องมือ Anova นี้ เราสามารถทดสอบว่า
  • ความสูงของพืชสำหรับปุ๋ยคนละตราสินค้าถูกสุ่มจากประชากรที่เป็นฐานเดียวกันหรือไม่ อุณหภูมิจะถูกละเว้นในการวิเคราะห์นี้
  • ความสูงของพืชสำหรับระดับอุณหภูมิที่ต่างกันถูกสุ่มจากประชากรที่เป็นฐานเดียวกันหรือไม่ ตราสินค้าปุ๋ยจะถูกละเว้นในการวิเคราะห์นี้
มีความแตกต่างหรือไม่สำหรับผลกระทบของความแตกต่างระหว่างตราสินค้าของปุ๋ยในตัวแปรแรก และความแตกต่างของอุณหภูมิในตัวแปรที่สอง ตัวอย่างทั้งหกที่แทนค่า {ปุ๋ย, อุณหภูมิ} ของทุกคู่จะถูกสุ่มจากประชากรกลุ่มเดียวกัน สมมติฐานแย้งก็คือ มีผลกระทบเนื่องจากคู่ {ปุ๋ย, อุณหภูมิ} ที่ระบุเกินและเหนือกว่าความแตกต่างที่มีพื้นฐานมาจากปุ๋ยหรืออุณหภูมิเพียงอย่างเดียว
การตั้งค่าช่วงข้อมูลเข้าสำหรับเครื่องมือ Anova

Anova: Two-Factor Without Replication

เครื่องมือวิเคราะห์นี้จะมีประโยชน์เมื่อข้อมูลสามารถแยกประเภทได้ตามสองมิติที่ต่างกันเช่นเดียวกับในกรณีสองปัจจัยที่มีการจำลองแบบ อย่างไรก็ตาม เครื่องมือนี้จะตั้งสมมติฐานว่ามีค่าสังเกตเพียงชุดเดียวเท่านั้นสำหรับแต่ละคู่ (ตัวอย่างเช่น คู่ {ปุ๋ย, อุณหภูมิ} แต่ละคู่ในตัวอย่างก่อนหน้านี้)
ทั้งฟังก์ชันแผ่นงาน CORREL และ PEARSON จะคำนวณค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างตัวแปรการวัดสองตัว เมื่อการวัดค่าตัวแปรแต่ละตัวถูกสังเกต N เรื่อง (การสังเกตใดก็ตามที่หายไปในเรื่องใดๆ จะทำให้เรื่องนั้นถูกละเว้นในการวิเคราะห์) เครื่องมือวิเคราะห์สหสัมพันธ์มีประโยชน์ในกรณีที่มีตัวแปรการวัดมากกว่าสองตัวสำหรับแต่ละเรื่องจำนวน N เรื่อง เครื่องมือวิเคราะห์สหสัมพันธ์จะสร้างตารางผลลัพธ์ ซึ่งก็คือเมทริกซ์สหสัมพันธ์ ที่จะแสดงค่าของ CORREL (หรือ PEARSON) ที่นำไปใช้กับตัวแปรการวัดแต่ละคู่ที่เป็นไปได้
เช่นเดียวกับค่าความแปรปรวนร่วม ค่าสัมประสิทธ์สหสัมพันธ์เป็นการวัดขอบเขตว่าตัวแปรการวัดสองตัวจะ "แปรตามกัน" อย่างไร แต่ค่าสัมประสิทธิ์สหสัมพันธ์จะไม่เหมือนกับค่าความแปรปรวนร่วมตรงที่ ค่าสัมประสิทธิ์สหสัมพันธ์จะถูกปรับสัดส่วน เพื่อให้ค่าไม่ขึ้นกับหน่วยที่ตัวแปรการวัดสองตัวนั้นถูกแสดงอยู่ (ตัวอย่างเช่น ถ้าตัวแปรการวัดสองตัวคือน้ำหนักและความสูง ค่าของสัมประสิทธ์สหสัมพันธ์จะไม่เปลี่ยนถ้าน้ำหนักถูกแปลงจากปอนด์ไปเป็นกิโลกรัม) ค่าของสัมประสิทธิ์สหสัมพันธ์ใดๆ ต้องมีค่าอยู่ระหว่าง -1 และ +1
คุณสามารถใช้เครื่องมือวิเคราะห์สหสัมพันธ์เพื่อตรวจสอบตัวแปรการวัดแต่ละคู่ เมื่อต้องการระบุว่าตัวแปรการวัดสองตัวมีแนวโน้ม "แปรตามกัน" หรือไม่ นั่นก็คือ ตัวแปรหนึ่งที่มีค่ามากมีแนวโน้มจะสัมพันธ์กับอีกตัวแปรที่มีค่ามากหรือไม่ (สหสัมพันธ์บวก) ตัวแปรหนึ่งที่มีค่าน้อยมีความสัมพันธ์กับอีกตัวแปรที่มีค่ามากหรือไม่ (สหสัมพันธ์ลบ) หรือค่าของทั้งสองตัวแปรมีแนวโน้มที่จะไม่สัมพันธ์กัน (สหสัมพันธ์เข้าใกล้ 0 (ศูนย์))
ทั้งเครื่องมือ Correlation (สหสัมพันธ์) และ Covariance (ความแปรปรวนร่วม) สามารถใช้ในการตั้งค่าเดียวกันได้ เมื่อคุณมีตัวแปรการวัดที่ต่างกัน N ตัวแปร ซึ่งสังเกตจากแต่ละชุด เครื่องมือ Correlation และ Covariance ต่างก็ให้ตารางผลลัพธ์ ซึ่งก็คือเมทริกซ์ที่แสดงค่าสัมประสิทธิ์สหสัมพันธ์และค่าความแปรปรวนร่วมระหว่างตัวแปรการวัดแต่ละคู่ตามลำดับ สิ่งที่ต่างกันก็คือ ค่าสัมประสิทธิ์สหสัมพันธ์จะถูกปรับสัดส่วนให้มีค่าอยู่ระหว่าง -1 และ +1 แต่ค่าความแปรปรวนร่วมที่สอดคล้องกันจะไม่ถูกปรับสัดส่วน ทั้งค่าสัมประสิทธิ์สหสัมพันธ์และค่าความแปรปรวนร่วมเป็นการวัดขอบเขตว่าตัวแปรสองตัวนั้น "แปรตามกัน" หรือไม่
เครื่องมือ Covariance จะคำนวณค่าของฟังก์ชันแผ่นงาน COVAR สำหรับตัวแปรการวัดแต่ละคู่ (การใช้ COVAR โดยตรงแทนที่จะเป็นเครื่องมือ Covariance เป็นอีกทางเลือกที่สมเหตุสมผล เมื่อมีตัวแปรการวัดแค่เพียงสองตัว นั่นก็คือ N=2) รายการบนเส้นทแยงมุมของตารางผลลัพธ์ของเครื่องมือ Covariance ในแถว i คอลัมน์ i คือค่าความแปรปรวนร่วมของตัวแปรการวัดลำดับที่ i กับรายการนั้น นี่เป็นเพียงแค่ความแปรปรวนของประชากรสำหรับตัวแปรนั้นที่คำนวณโดยฟังก์ชันแผ่นงาน VARP
คุณสามารถใช้ Covariance tool เพื่อตรวจสอบค่าตัวแปรตามแต่ละคู่ เพื่อกำหนดว่าตัวแปรตามทั้งสองตัวมีแนวโน้มที่ไปด้วยกันหรือไม่ นั่นก็คือ ค่าที่มีค่ามากของตัวแปรหนึ่งมีแนวโน้มที่จะสัมพันธ์กับค่าที่มีค่ามากของตัวแปรอื่นหรือไม่ (ค่าความแปรปรวนร่วมค่าบวก) ค่าที่มีค่าน้อยของตัวแปรหนึ่งมีแนวโน้มที่จะสัมพันธ์กับค่าที่มีค่ามากของตัวแปรอื่นหรือไม่ (ค่าความแปรปรวนร่วมค่าลบ) หรือตัวแปรทั้งสองตัวมีแนวโน้มที่ไม่สัมพันธ์กันหรือไม่ (ค่าความแปรปรวนร่วมเข้าใกล้ 0 (ศูนย์))
เครื่องมือวิเคราะห์ Descriptive Statistics (สถิติเชิงพรรณา) จะสร้างรายงานของสถิติหนึ่งตัวแปรสำหรับข้อมูลในช่วงข้อมูลเข้า โดยมีข้อมูลเกี่ยวกับแนวโน้มเข้าสู่ส่วนกลางและการแปรผันของข้อมูลของคุณ
เครื่องมือ Exponential Smoothing (การปรับเรียบแบบเอกซ์โพเนนเชียล) จะทำนายค่าจากการพยากรณ์ช่วงก่อนหน้านี้ ที่ปรับเปลี่ยนสำหรับข้อผิดพลาดในการพยากรณ์ครั้งก่อนหน้านั้น เครื่องมือจะใช้ค่าคงที่ปรับเรียบ a ซึ่งเป็นขนาดที่กำหนดว่าการพยากรณ์จะตอบสนองต่อข้อผิดพลาดในการพยากรณ์ก่อนหน้านั้นมากน้อยเพียงใด
 หมายเหตุ   ค่า 0.2 ถึง 0.3 เป็นค่าที่เหมาะสำหรับค่าคงที่ปรับเรียบ ค่าเหล่านี้จะระบุว่าการพยากรณ์ปัจจุบันควรปรับเปลี่ยนจาก 20 เปอร์เซ็นต์เป็น 30 เปอร์เซ็นต์สำหรับข้อผิดพลาดในการพยากรณ์ก่อนหน้านี้ ค่าคงที่ที่มากขึ้นจะให้การตอบสนองที่เร็วขึ้นแต่ก็จะทำให้ผลการคาดคะเนแกว่งได้ ส่วนค่าคงที่ที่น้อยลงก็อาจทำให้ค่าพยากรณ์ล่าช้าไปมาก
เครื่องมือวิเคราะห์ F-Test Two-Sample for Variances (ความแปรปรวนแบบ F-test สองตัวอย่าง) จะดำเนินการ F-test แบบสองตัวอย่างเพื่อเปรียบเทียบความแปรปรวนของประชากรสองกลุ่ม
ตัวอย่างเช่น คุณสามารถใช้เครื่องมือ F-Test กับตัวอย่างเวลาในการว่ายน้ำของทีมสองทีม เครื่องมือจะให้ผลลัพธ์ในการทดสอบสมมติฐานว่างว่า ตัวอย่างสองกลุ่มมาจากการแจกแจงที่มีความแปรปรวนเท่ากัน เทียบกับสมมติฐานแย้งว่าค่าความแปรปรวนไม่เท่ากันบนฐานการแจกแจง
เครื่องมือจะคำนวณค่า F-statistic (หรือ F-ratio) ค่าที่เข้าใกล้ 1 จะให้เหตุการณ์ที่ความแปรปรวนของประชากรที่เป็นฐานมีค่าเท่ากัน ในตารางผลลัพธ์ ถ้า f < 1 แล้ว "P(F <= f) one-tail" จะให้ความน่าจะเป็นในการสังเกตค่าสถิติ F ที่น้อยกว่า f เมื่อความแปรปรวนของประชากรเท่ากัน และ "F Critical one-tail" ให้ค่าวิกฤตน้อยกว่า 1 สำหรับระดับนัยสำคัญที่เลือกซึ่งก็คือ Alpha ถ้า f > 1 แล้ว "P(F <= f) one-tail" จะให้ความน่าจะเป็นในการสังเกตค่าสถิติ F ที่มากกว่า f เมื่อความแปรปรวนของประชากรเท่ากัน และ "F Critical one-tail" ให้ค่าวิกฤตมากกว่า 1 สำหรับ Alpha
เครื่องมือ Fourier Analysis (การวิเคราะห์แบบฟูเรียร์) จะแก้ปัญหาในระบบเชิงเส้น และวิเคราะห์ข้อมูลที่เป็นคาบโดยใช้วิธีการแปลงฟูเรียร์แบบเร็ว (Fast Fourier Transform หรือ FFT) เพื่อแปลงข้อมูล เครื่องมือนี้ยังสนับสนุนการแปลงกลับ ซึ่งข้อมูลที่แปลงกลับจะคืนค่าข้อมูลเดิมอีกด้วย
ช่วงข้อมูลเข้าและช่วงผลลัพธ์สำหรับ Fourier Analysis
เครื่องมือวิเคราะห์ Histogram (ฮิสโทแกรม) จะคำนวณแต่ละความถี่และความถี่สะสมสำหรับช่วงเซลล์ของข้อมูลและตัวเก็บข้อมูล เครื่องมือนี้จะสร้างข้อมูลสำหรับจำนวนครั้งที่ค่าในชุดข้อมูลนั้นเกิดขึ้น
ตัวอย่างเช่น ในห้องเรียนที่มีนักเรียน 20 คน คุณสามารถกำหนดการแจกแจงคะแนนในประเภทของผลการเรียนเป็นตัวอักษร ตารางฮิสโทแกรมจะแสดงขอบเขตของผลการเรียนที่เป็นตัวอักษร และจำนวนของคะแนนระหว่างขอบเขตล่างสุดและขอบเขตปัจจุบัน คะแนนหนึ่งที่มีความถี่มากที่สุดคือค่าฐานนิยมของข้อมูล
เครื่องมือวิเคราะห์ Moving Average (ค่าเฉลี่ยเคลื่อนที่) จะทำนายค่าในช่วงการพยากรณ์ โดยมีพื้นฐานมาจากค่าเฉลี่ยของตัวแปรในคาบก่อนหน้าที่มีจำนวนแน่นอน ค่าเฉลี่ยเคลื่อนที่จะให้ข้อมูลแนวโน้มที่ค่าเฉลี่ยทั่วไปของข้อมูลประวัติทั้งหมดจะครอบคลุม ให้ใช้เครื่องมือนี้เพื่อพยากรณ์การขาย สินค้าคงคลัง หรือแนวโน้มอื่น ค่าพยากรณ์แต่ละค่ามีพื้นฐานมาจากสูตรดังต่อไปนี้
สูตรที่ใช้คำนวณค่าเฉลี่ยเคลื่อนที่
โดยที่
  • N คือจำนวนคาบก่อนหน้าที่จะรวมไว้ในค่าเฉลี่ยเคลื่อนที่
  • Aj คือค่าจริง ณ เวลา j
  • Fj คือค่าพยากรณ์ ณ เวลา j
เครื่องมือวิเคราะห์ Random Number Generation (การสร้างเลขสุ่ม) จะเติมช่วงด้วยตัวเลขสุ่มที่ไม่ขึ้นต่อกัน ซึ่งถูกสุ่มมาจากหนึ่งในหลายๆ การแจกแจง คุณสามารถแสดงลักษณะของเรื่องในประชากรที่มีการแจกแจงความน่าจะเป็นได้ ตัวอย่างเช่น คุณสามารถใช้การแจกแจงปกติเพื่อแสดงลักษณะประชากรของแต่ะละความสูง หรือคุณสามารถใช้การแจกแจงแบบเบอร์นูลลีของผลที่เกิดขึ้นสองผลที่เป็นไปได้ เพื่อแสดงลักษณะประชากรของผลลัพธ์การทอยเหรียญ
เครื่องมือวิเคราะห์ Rank and Percentile (ลำดับที่และเปอร์เซ็นไทล์) จะสร้างตารางที่มีเลขลำดับและอันดับเปอร์เซ็นต์ของแต่ละค่าในชุดข้อมูล คุณสามารถวิเคราะห์ตำแหน่งสัมพัทธ์ของค่าในชุดข้อมูลได้ เครื่องมือนี้ใช้ฟังก์ชันแผ่นงาน RANK และ PERCENTRANK โดยที่ RANK ไม่ได้แสดงถึงค่าที่ผูกกันอยู่ ถ้าคุณต้องการแสดงถึงค่าที่ผูกกันอยู่ ให้ใช้ฟังก์ชันแผ่นงาน RANK ร่วมกับค่าตัวประกอบปรับแก้ที่แนะนำในแฟ้มวิธีใช้ของ RANK
เครื่องมือวิเคราะห์ Regression (การถดถอย) จะทำการวิเคราะห์การถดถอยเชิงเส้นโดยใช้วิธี "กำลังสองน้อยที่สุด" เพื่อจัดเส้นให้พอดีตลอดชุดของการสังเกต คุณสามารถวิเคราะห์ว่าตัวแปรตามตัวเดียวได้รับผลกระทบจากค่าของตัวแปรอิสระอย่างน้อยหนึ่งค่าอย่างไร ตัวอย่างเช่น คุณสามารถวิเคราะห์ว่าประสิทธิภาพของนักกีฬาได้รับผลกระทบจากปัจจัยต่างๆ เช่น อายุ ความสูง และน้ำหนักอย่างไรบ้าง คุณสามารถจัดสรรส่วนแบ่งในการวัดประสิทธิภาพให้แก่ปัจจัยทั้งสามนี้ โดยยึดตามชุดข้อมูลประสิทธิภาพ แล้วใช้ผลลัพธ์เพื่อทำนายประสิทธิภาพของนักกีฬาคนใหม่ที่ยังไม่ได้รับการทดสอบ
เครื่องมือวิเคราะห์ Regression จะใช้ฟังก์ชันแผ่นงาน LINEST
เครื่องมือวิเคราะห์ Sampling (การสุ่มตัวอย่าง) จะสร้างตัวอย่างจากประชากร ด้วยการถือเอาช่วงข้อมูลเข้าเป็นประชากร เมื่อประชากรมีขนาดใหญ่เกินไปสำหรับการประมวลผลหรือสร้างแผนภูมิ คุณสามารถใช้ตัวอย่างที่เป็นตัวแทนได้ คุณยังสามารถสร้างตัวอย่างที่มีเพียงค่าจากส่วนหนึ่งของการวนรอบได้เช่นกัน ถ้าคุณเชื่อว่าข้อมูลเข้าเป็นคาบ ตัวอย่างเช่น ถ้าช่วงข้อมูลเข้ามีโครงสร้างเป็นการขายรายไตรมาส การสุ่มตัวอย่างด้วยอัตราคาบเป็นสี่จะวางตำแหน่งค่าจากไตรมาสเดียวกันในช่วงผลลัพธ์
เครื่องมือวิเคราะห์ Two-Sample t-Test (t-Test สองตัวอย่าง) จะทดสอบความเท่ากันของค่าเฉลี่ยประชากรที่เป็นฐานของแต่ละตัวอย่าง เครื่องมือทั้งสามจะใช้สมมติฐานที่ต่างกันคือ ความแปรปรวนประชากรมีค่าเท่ากัน ความแปรปรวนประชากรมีค่าไม่เท่ากัน และทั้งสองตัวอย่างแสดงการสังเกตก่อนและหลังการทดลองในเรื่องเดียวกัน
สำหรับเครื่องมือวิเคราะห์ t-Test ทั้งสามต่อไปนี้ 't-Statistic value' หรือ 't' จะถูกคำนวณและแสดงเป็น "t Stat" ในตารางผลลัพธ์ ค่า t นี้อาจเป็นค่าลบหรือไม่ใช่ค่าลบก็ได้ขึ้นอยู่กับข้อมูล ภายใต้สมมติฐานของค่าเฉลี่ยที่มีฐานประชากรเท่ากัน ถ้า t < 0 แล้ว "P(T <= t) one-tail" จะให้ความน่าจะเป็นที่ t-Statistic จะถูกสังเกตได้ว่ามีค่าลบมากกว่า t และถ้า t >=0 แล้ว "P(T <= t) one-tail" จะให้ความน่าจะเป็นที่ t-Statistic จะถูกสังเกตได้ว่ามีค่าบวกมากกว่า t ส่วน "t Critical one-tail" จะให้ค่าตัด เพื่อให้ความน่าจะเป็นในการสังเกตค่าสถิติ t ที่มากกว่าหรือเท่ากับ "t Critical one-tail" เป็น Alpha
"P(T <= t) two-tail" จะให้ความน่าจะเป็นที่ค่าสถิติ t จะถูกสังเกตว่ามีค่าสัมบูรณ์มากกว่า t หรือไม่ ส่วน"P Critical two-tail" จะให้ค่าตัด เพื่อให้ความน่าจะเป็นของ t-Statistic ที่สังเกตที่มีค่าสัมบูรณ์มากกว่าค่าสัมบูรณ์ของ "P Critical two-tail" เป็น Alpha

t-Test: Paired Two Sample For Means

คุณสามารถใช้การทดสอบแบบจับคู่เมื่อมีการจับคู่ค่าสังเกตตามธรรมชาติในตัวอย่างต่างๆ เช่น เมื่อมีการทดสอบกลุ่มตัวอย่างสองครั้ง คือก่อนและหลังการทดลอง เครื่องมือวิเคราะห์นี้และสูตรของเครื่องมือจะทำ t-Test แบบจับคู่สองตัวอย่างของนักเรียน เพื่อระบุว่าการสังเกตที่ทำก่อนการทดลองและการสังเกตที่ทำหลังการทดลอง น่าจะมาจากการแจกแจงที่มีค่าเฉลี่ยประชากรที่เท่ากันหรือไม่ รูปแบบ t-Test นี้ไม่ได้ตั้งสมมติฐานว่าความแปรปรวนของประชากรทั้งสองมีค่าเท่ากัน
 หมายเหตุ   ในบรรดาผลลัพธ์ที่สร้างโดยเครื่องมือนี้คือค่าความแปรปรวนรวม ซึ่งเป็นการวัดสะสมของข้อมูลที่กระจายค่าอยู่รอบค่าเฉลี่ย และสามารถหาได้จากสูตรต่อไปนี้
สูตรที่ใช้คำนวณค่าความแปรปรวนรวม

t-Test: Two-Sample Assuming Equal Variances

เครื่องมือวิเคราะห์นี้จะทำ t-Test สองตัวอย่างของนักเรียน รูปแบบ t-Test นี้จะตั้งสมมติฐานว่าชุดข้อมูลทั้งสองชุดมาจากการแจกแจงที่มีค่าความแปรปรวนเท่ากัน หรือที่เรียกว่า homoscedastic t-Test คุณสามารถใช้ t-Test นี้เพื่อกำหนดว่าทั้งสองตัวอย่างน่าว่าจะมาจากการแจกแจงที่มีค่าเฉลี่ยประชากรเท่ากันหรือไม่

t-Test: Two-Sample Assuming Unequal Variances

เครื่องมือวิเคราะห์นี้จะทำ t-Test สองตัวอย่างของนักเรียน รูปแบบ t-Test นี้จะตั้งสมมติฐานว่าชุดข้อมูลสองชุดมาจากการแจกแจงที่มีค่าความแปรปรวนไม่เท่ากัน หรือที่เรียกว่า heteroscedastic t-Test เช่นเดียวกับในกรณี Equal Variances ก่อนหน้านี้ คุณสามารถใช้ t-Test นี้เพื่อกำหนดว่าทั้งสองตัวอย่างน่าว่าจะมาจากการแจกแจงที่มีค่าเฉลี่ยประชากรเท่ากันหรือไม่ ใช้การทดสอบนี้เมื่อทั้งสองตัวอย่างมีเรื่องที่แยกจากกัน และใช้การทดสอบแบบคู่ที่อธิบายในตัวอย่างต่อไป เมื่อมีเรื่องชุดเดียวและทั้งสองตัวอย่างแสดงการวัดสำหรับแต่ละเรื่องก่อนและหลังทำการทดลอง
สูตรต่อไปนี้ใช้กำหนดค่าสถิติ t
สูตรที่ใช้คำนวณค่า t
สูตรต่อไปนี้ใช้เพื่อคำนวณองศาความเป็นอิสระ (Degrees of Freedom, df) เนื่องจากผลลัพธ์ในการคำนวณมักจะไม่เป็นจำนวนเต็ม ค่า df จึงถูกปัดเศษเป็นจำนวนเต็มที่ใกล้เคียงที่สุดเพื่อให้ได้ค่าวิกฤตจากตาราง t โดยฟังก์ชันแผ่นงาน TTEST ของ Excel จะใช้ค่า df จากการคำนวณโดยไม่ปัดเศษ เนื่องจากเป็นไปได้ที่จะคำนวณค่า TTEST โดยใช้ค่า df ที่ไม่ใช่จำนวนเต็ม และเพราะความแตกต่างในการกำหนดค่าองศาความเป็นอิสระนี้ ผลลัพธ์ของ TTEST และเครื่องมือ t-Test นี้จะแตกต่างในกรณี Unequal Variances
สูตรที่ใช้ประมาณองศาความเป็นอิสระ
เครื่องมือวิเคราะห์ z-Test: Two Sample for Means (สองตัวอย่างสำหรับค่าเฉลี่ย) จะดำเนินการ z-Test ที่ใช้สองตัวอย่างสำหรับค่าเฉลี่ยที่ทราบความแปรปรวน เครื่องมือนี้ใช้เพื่อทดสอบสมมุติฐานว่างว่าไม่มีความแตกต่างระหว่างค่าเฉลี่ยประชากรสองค่า เทียบกับสมมุติฐานแย้งแบบทางเดียวหรือแบบสองทาง ถ้าไม่ทราบค่าความแปรปรวน ควรใช้ฟังก์ชันแผ่นงาน ZTEST แทน
เมื่อคุณใช้เครื่องมือ z-Test ควรระวังการทำความเข้าใจผลลัพธ์ สำหรับ "P(Z <= z) one-tail" นั้นที่จริงก็คือ P(Z >= ABS(z)) ซึ่งคือความน่าจะเป็นที่ค่า z จะมีค่าห่างจาก 0 ในทิศทางเดียวกับค่า z ที่สังเกตเมื่อไม่มีผลต่างระหว่างค่าเฉลี่ยประชากร ส่วน "P(Z <= z) two-tail" ที่จริงก็คือ P(Z >= ABS(z) หรือ Z <= -ABS(z)) ซึ่งคือความน่าจะเป็นที่ค่า z จะมีค่าห่างออกมาจาก 0 คนละทิศทางกับค่า z ที่สังเกตเมื่อไม่มีผลต่างระหว่างค่าเฉลี่ยประชากร ผลลัพธ์จากการทดสอบแบบสองทางเป็นเพียงการนำผลลัพธ์จากการทดสอบแบบทางเดียวมาคูณด้วย 2 เครื่องมือ z-Test ยังสามารถใช้ในกรณีที่สมมุติฐานว่างคือค่าที่ระบุที่ไม่ใช่ศูนย์สำหรับผลต่างระหว่างค่าเฉลี่ยประชากรสองค่า ตัวอย่างเช่น คุณสามารถใช้การทดสอบนี้เพื่อกำหนดความแตกต่างระหว่างสมรรถนะของรถสองรุ่น
 หมายเหตุ 
  • ฟังก์ชันการวิเคราะห์ข้อมูลสามารถนำมาใช้บนแผ่นงานเพียงหนึ่งแผ่นในแต่ละครั้ง เมื่อคุณทำการวิเคราะห์ข้อมูลกับแผ่นงานที่จัดกลุ่ม ผลลัพธ์จะปรากฏที่แผ่นงานแรก และตารางที่จัดรูปแบบว่างจะปรากฏบนแผ่นงานที่เหลือ เมื่อต้องการวิเคราะห์ข้อมูลในแผ่นงานส่วนที่เหลือ ให้ใช้เครื่องมือวิเคราะห์คำนวณแผ่นงานแต่ละแผ่นใหม่อีกครั้ง
  • สำหรับรายชื่อหนังสือที่มีข้อมูลอย่างละเอียดเกี่ยวกับวิธีหรืออัลกอริทึมทางสถิติที่นำมาใช้สร้างเครื่องมือและฟังก์ชันทางสถิติของ Microsoft Office

ถ้าคุณจำเป็นต้องดำเนินการวิเคราะห์ทางสถิติหรือวิศวกรรมที่ซับซ้อน คุณสามารถประหยัดขั้นตอนและเวลาได้โดยใช้ Analysis ToolPak คุณให้ข้อมูลและพารามิเตอร์สำหรับการวิเคราะห์


 
สมัครสมาชิก: บทความ (Atom)