Trennschärfe (Power) und Stichprobenumfang für den gepaarten t-Test
Plant einen gepaarten t-Test, bei dem jede Einheit zweimal gemessen wird, etwa vor und nach einer Änderung. Geben Sie die Standardabweichung der Paardifferenzen und zwei der drei Größen Anzahl der Paare, mittlere Differenz und Trennschärfe ein; das Werkzeug berechnet die dritte. Es setzt annähernd normalverteilte Differenzen voraus und verwendet die nichtzentrale t-Verteilung. Ausgegeben werden eine Ergebnistabelle mit tatsächlicher Trennschärfe und eine Trennschärfekurve.
Zuletzt geprüft
Kernaussage
Power and Sample Size for Paired t berechnet, wie viele Paare ein gepaarter t-Test braucht, um eine relevante mittlere Differenz zu erkennen, welche Trennschärfe eine geplante Paarzahl liefert oder die kleinste erkennbare Differenz.
Auf dieser Seite
Zweck
Power and Sample Size for Paired t plant eine Studie, in der jede Einheit zweimal gemessen wird, zum Beispiel vor und nach einer Änderung, mit zwei Verfahren oder auf zwei Vorrichtungen, und in der gefragt wird, ob die mittlere Differenz null ist. Das Werkzeug beantwortet, wie viele Paare nötig sind, um eine relevante mittlere Differenz zu erkennen, welche Trennschärfe (Power) eine geplante Anzahl von Paaren liefert oder welche kleinste mittlere Differenz eine gegebene Anzahl von Paaren erkennen kann. Geben Sie zwei der drei Größen Stichprobenumfang, Differenz und Trennschärfe ein, und das Werkzeug berechnet die dritte. Verwenden Sie es vor einem gepaarten t-Test.
Wichtige Funktionen
- Berechnet Anzahl der Paare, Trennschärfe oder Differenz: Lassen Sie die gesuchte Größe leer.
- Mehrere Werte gleichzeitig, z. B. Differenzen „0.5 1“ und Trennschärfewerte „0.8 0.9“, ergeben eine Zeile pro Kombination.
- Zweiseitige (Mean difference ≠ 0) oder einseitige (Mean difference < 0, Mean difference > 0) Alternativhypothesen, beim gewählten Konfidenzniveau.
- Bei der Berechnung des Stichprobenumfangs werden die ganzzahlige Anzahl der Paare und die damit erreichte tatsächliche Trennschärfe ausgegeben.
- Trennschärfekurve der Trennschärfe über der Anzahl der Paare für jede Differenz, mit markierten berechneten Punkten.
Statistische Methoden
Ein gepaarter t-Test ist ein t-Test für eine Stichprobe, angewendet auf die Differenzen innerhalb jedes Paares; die Berechnung entspricht daher der des t-Tests für eine Stichprobe, angewendet auf die Differenzen. Sie setzt voraus, dass die Differenzen annähernd normalverteilt sind mit Standardabweichung σ_d. Das Signifikanzniveau ist α = 1 − Konfidenzniveau / 100, und die standardisierte Differenz ist d = mittlere Differenz / σ_d.
Die Trennschärfe wird aus der nichtzentralen t-Verteilung mit n − 1 Freiheitsgraden und dem Nichtzentralitätsparameter δ = d·√n berechnet, wobei n die Anzahl der Paare ist: Für einen zweiseitigen Test gilt Trennschärfe = P(T > t₁₋α/₂) + P(T < −t₁₋α/₂); bei einem einseitigen Test zählt nur das Ende auf der Seite der Alternativhypothese, sodass eine mittlere Differenz auf der anderen Seite eine Trennschärfe nahe 0 ergibt (und die Berechnung des Stichprobenumfangs daraus eine Fehlermeldung liefert). Für den Stichprobenumfang wird das n gesucht, das die Zielteststärke erreicht, und aufgerundet; die Trennschärfe bei diesem n wird als tatsächliche Trennschärfe ausgegeben. Für die Differenz wird die kleinste mittlere Differenz gesucht, die mit dem gegebenen n die Zielteststärke erreicht.
Einzugeben ist die Standardabweichung der Paardifferenzen, nicht die der Einzelwerte. Wenn sich die beiden Messwerte an einer Einheit gemeinsam bewegen, ist σ_d viel kleiner als die Streuung zwischen den Einheiten; deshalb braucht ein gepaartes Design in der Regel weit weniger Einheiten als zwei unabhängige Gruppen. Die Trennschärfe steigt mit der Anzahl der Paare und der Differenz und sinkt mit wachsendem σ_d.
Eingabefelder und Optionen
Feld | Beschreibung |
Sample sizes | Anzahl der Paare. Durch Leerzeichen oder Komma getrennt, z. B. „10 20 30“. Leer lassen, um den Stichprobenumfang zu berechnen. |
Differences | Durch Leerzeichen oder Komma getrennt, z. B. „1 2 3“. Die mittlere Paardifferenz, die Sie erkennen möchten. Leer lassen, um die Differenz zu berechnen. |
Power values | Durch Leerzeichen oder Komma getrennt, z. B. „0.8 0.9“. Leer lassen, um die Trennschärfe zu berechnen. |
Standard deviation of the differences | Erforderlich. Angenommene oder historische Standardabweichung der Paardifferenzen, z. B. aus einem Vorversuch. |
Confidence level | Standard 95 (α = 0.05); 75 bis 100. |
Alternative hypothesis | Mean difference ≠ 0 (Standard), Mean difference < 0 oder Mean difference > 0. |
Power curve | Standardmäßig aktiviert: zeichnet die Trennschärfe über dem Stichprobenumfang. |
Title | Titel, der in der Ausgabe und auf der Trennschärfekurve angezeigt wird. |

Abbildung 1 — Berechnung des Stichprobenumfangs: Differences = 1, Power values = 0.8 0.9, Standard deviation of the differences = 1.5, zweiseitig bei 95% Konfidenz.
Beschreibung der Ausgabe
- Settings — die berechnete Größe, die Standardabweichung der Differenzen, das Konfidenzniveau und die Alternativhypothese.
- Results — eine Zeile pro Kombination: Differenz, Stichprobenumfang (Paare) sowie Ziel- und tatsächliche Trennschärfe bei Berechnung des Stichprobenumfangs, bzw. die Trennschärfe bei Berechnung der Trennschärfe oder die Differenz bei Berechnung der Differenz.
- Power Curve — Trennschärfe über dem Stichprobenumfang für jede Differenz, mit markierten berechneten Punkten.
- PDF-Export über Download.

Abbildung 2 — Ergebnisse für das Beispiel: 20 Motoren für 80% Trennschärfe und 26 für 90% Trennschärfe, um eine Änderung des Kraftstoffverbrauchs um 1 g/kWh zu erkennen.
Beispiel
Ein Motorenwerk erprobt eine neue Kalibriersoftware und testet jeden Motor vor und nach dem Update auf dem Prüfstand. Eine Änderung des spezifischen Kraftstoffverbrauchs um 1 g/kWh wäre relevant, und frühere Vorher-nachher-Tests ergaben eine Standardabweichung der Differenzen von 1.5 g/kWh. Der Versuchsingenieur lässt Sample sizes leer, gibt Differences = 1, Power values = 0.8 0.9 und Standard deviation of the differences = 1.5 ein und behält die zweiseitige Alternativhypothese bei 95% Konfidenz bei.
Das Werkzeug benötigt 20 Motoren für 80% Trennschärfe (tatsächliche Trennschärfe 0.807) und 26 für 90% Trennschärfe (tatsächliche Trennschärfe 0.904). Die 12 Motoren, die in einer Woche verfügbar sind, ergäben eine Trennschärfe von 0.558. Sind die Prüfstandsergebnisse stärker verrauscht als erwartet, mit σ_d = 2 g/kWh, werden 34 Motoren für 80% Trennschärfe benötigt. Lautet die einzige Frage, ob sich der Verbrauch verbessert, benötigt eine einseitige Alternativhypothese 16 Motoren für 80% Trennschärfe.
Häufig gestellte Fragen
Wie wird die Trennschärfe für einen gepaarten t-Test berechnet?
Ein gepaarter t-Test ist ein t-Test für eine Stichprobe, angewendet auf die Differenzen innerhalb jedes Paares; die Trennschärfe wird daher aus der nichtzentralen t-Verteilung mit n - 1 Freiheitsgraden und dem Nichtzentralitätsparameter d mal Wurzel aus n berechnet, wobei n die Anzahl der Paare und d die mittlere Differenz geteilt durch die Standardabweichung der Differenzen ist.
Warum braucht ein gepaartes Design weniger Einheiten als zwei unabhängige Gruppen?
Wenn sich die beiden Messwerte an einer Einheit gemeinsam bewegen, ist die Standardabweichung der Paardifferenzen viel kleiner als die Streuung zwischen den Einheiten. Da die Trennschärfe von der mittleren Differenz im Verhältnis zu dieser Standardabweichung abhängt, braucht ein gepaartes Design in der Regel weit weniger Einheiten als zwei unabhängige Gruppen. Geben Sie die Standardabweichung der Differenzen ein, nicht die der Einzelwerte.
Wie viele Paare werden für einen gepaarten t-Test benötigt?
In einem Beispiel, in dem eine Änderung um 1 g/kWh bei einer Standardabweichung der Differenzen von 1.5 g/kWh zweiseitig bei 95% Konfidenz erkannt werden soll, ergeben 20 Motoren 80% Trennschärfe und 26 Motoren 90%. Zwölf Motoren ergeben eine Trennschärfe von 0.558. Sind die Differenzen stärker verrauscht, mit 2 g/kWh, werden 34 Motoren für 80% Trennschärfe benötigt.
Sollte ein gepaarter t-Test einseitig oder zweiseitig sein?
Verwenden Sie eine einseitige Alternativhypothese, wenn nur eine Richtung zählt, etwa ob sich der Verbrauch verbessert; im Beispiel braucht sie 16 statt 20 Motoren für 80% Trennschärfe. Ein einseitiger Test zählt nur das Ende auf der Seite der Alternativhypothese, sodass eine mittlere Differenz auf der anderen Seite eine Trennschärfe nahe 0 ergibt und die Berechnung des Stichprobenumfangs einen Fehler liefert.
