Paired Samples t-test Analysis System

Step 1 : Paired Data Input and Preparation

กรอกข้อมูลคู่สำหรับการวิเคราะห์ Paired Samples t-test

เลือกวิธีการนำเข้าข้อมูล

กรอกข้อมูลเอง คัดลอกและวาง อัปโหลดไฟล์ ใช้ข้อมูลตัวอย่าง

ข้อมูลชุดที่ 1 (Pre-test/Before)

ชื่อกลุ่ม :

ข้อมูล (คั่นด้วย , ช่องว่าง หรือขึ้นบรรทัดใหม่) :

ตัวอย่าง : 85, 78, 92, 88, 90

ข้อมูลชุดที่ 2 (Post-test/After)

ชื่อกลุ่ม :

ข้อมูล (คั่นด้วย , ช่องว่าง หรือขึ้นบรรทัดใหม่) :

ตัวอย่าง: 92, 85, 95, 91, 93

สำคัญ : ข้อมูลทั้งสองชุดต้องเป็นคู่กัน (ตำแหน่งเดียวกัน = บุคคล/หน่วยเดียวกัน) และจำนวนข้อมูลต้องเท่ากัน

ตัวอย่างข้อมูล Paired Samples

ตัวอย่างการวิจัย : ศึกษาเปรียบเทียบคะแนนก่อนและหลังการอบรมของนักเรียนชุดเดียวกัน

คะแนนก่อนอบรม (Pre-test) :

75, 68, 82, 79, 85, 72, 88, 76, 83, 80

คะแนนหลังอบรม (Post-test) :

82, 75, 89, 85, 91, 78, 92, 83, 88, 86

หลักการทดสอบ Paired Samples t-test

การทดสอบความแตกต่างของค่าเฉลี่ยก่อนและหลังในกลุ่มเดียวกัน (dependent samples)

วัตถุประสงค์ของการทดสอบ

Paired Samples t-test ใช้สำหรับทดสอบว่าค่าเฉลี่ยของผลต่างระหว่างการวัดก่อนและหลัง (หรือคู่ที่เกี่ยวข้องกัน) มีความแตกต่างอย่างมีนัยสำคัญทางสถิติหรือไม่ เหมาะกับข้อมูลจากบุคคลเดียวกันที่วัดต่างเวลา หรือหน่วยศึกษาที่จับคู่กัน

การกำหนดสมมติฐาน

สมมติฐานหลัก (H₀) : μ_d = 0 ไม่มีความแตกต่างระหว่างการวัดก่อนและหลัง

สมมติฐานรอง (H₁) : μ_d ≠ 0 มีความแตกต่างระหว่างการวัดก่อนและหลัง (two-tailed)

ข้อสมมติฐานของการทดสอบ

ก่อนทำการทดสอบควรตรวจสอบข้อสมมติฐานต่อไปนี้

Paired Data

ข้อมูลต้องเป็นคู่กัน (same subjects)

Normality

ข้อมูลควรมีการแจกแจงปกติ

Independence

คู่ข้อมูลแต่ละคู่ควรเป็นอิสระต่อกัน

Measurement

ข้อมูลระดับ Interval หรือ Ratio

สถิติทดสอบและสูตร

การคำนวณสถิติ t สำหรับ Paired Samples

สูตร Paired Samples t-test

t =  d̄  /  ( s_d / √n )

d̄ = ค่าเฉลี่ยของผลต่าง (x₂ − x₁)
s_d = ส่วนเบี่ยงเบนมาตรฐานของผลต่าง
n = จำนวนคู่, df = n − 1

การตีความผลการทดสอบ

ตัดสินใจโดยเปรียบเทียบ p-value กับระดับนัยสำคัญ (α)

p-value < α

ปฏิเสธ H₀ มีความแตกต่างอย่างมีนัยสำคัญ

p-value ≥ α

ไม่ปฏิเสธ H₀ ไม่มีความแตกต่างอย่างมีนัยสำคัญ

ตัวอย่างการประยุกต์ใช้

• การศึกษา : เปรียบเทียบคะแนนก่อน–หลังการเรียน
• การแพทย์ : ประเมินผลยาก่อน–หลังการรักษา
• จิตวิทยา : วัดความวิตกกังวลก่อน–หลังการบำบัด
• การตลาด : พฤติกรรมผู้บริโภคก่อน–หลังบริโภค
• เกษตรศาสตร์ : ผลผลิตก่อน–หลังการใส่ปุ๋ย
• วิศวกรรม : ประสิทธิภาพก่อน–หลังการปรับปรุง

จุดสำคัญที่ควรพิจารณา

ข้อมูลจับคู่ : ต้องมาจากหน่วยเดียวกันหรือหน่วยที่จับคู่กัน
จำนวนเท่ากัน : ข้อมูลก่อน–หลังต้องมีจำนวนเท่ากันและจัดลำดับให้ตรงคู่
ผลต่างคือแกนหลัก : การทดสอบทำบน “ผลต่าง” ไม่ใช่เปรียบเทียบสองกลุ่มอิสระ
Effect Size : ควรรายงาน Cohen’s d เพื่ออธิบายขนาดผล
ทางเลือกไม่พารามิเตอร์ : สมมติฐานปกติไม่ผ่าน → ใช้ Wilcoxon Signed-Rank Test
การแปลผล : ระวังการสรุปเชิงเหตุ–ผล (causation vs correlation)