T-tester – en guide i hur du analyserar enkätresultat

Vem som helst kan se skillnad på två tal, men att ta reda på om skillnaden faktiskt är statistiskt signifikant kan vara lite svårare.

Anta att du har gjort en kundnöjdhetsenkät på jobbet. Chefen vill analysera om män ger företaget en lägre NPS-poäng än kvinnor.

När du tittar närmare på informationen ser du att det genomsnittliga betyget från män var 9 jämfört med ett genomsnittligt betyg på 12 från kvinnor. Hur ska du avgöra om 9 skiljer sig signifikant från 12? Det är här t-testet kommer in i bilden.

I den här artikeln beskriver vi t-tester och deras användningsområden, delar exempel på t-tester samt förklarar hur du tolkar resultaten.

Ett t-test är ett statistiskt test som avgör om skillnaden mellan två medelvärden är signifikant med hjälp av t-fördelning. Det gör det enklare att avgöra om en observerad skillnad mellan grupper är verklig eller bara beror på slumpen.

Det är vanligt att kontrollera statistisk signifikans inom koncepttestning och produkttestning. I koncepttestning används ofta A/B-tester för att avgöra om ett annonskoncept fungerar bättre än ett annat. På samma sätt kan produkttester visa om en produkt kommer att klara sig på marknaden vid lansering.

I t-tester används särskilda formler för att jämföra medelvärden och avgöra om en skillnad är statistiskt signifikant. Det tvåsidiga t-testet är det vanligaste inom enkätanalys:

Det här är formlerna för det ensidiga t-testet och det parade t-testet:

I både det ensidiga och det parade t-testet jämförs det beräknade t-värdet med ett kritiskt värde från t-fördelningen för att avgöra signifikansen.

Använd ett t-test när du vill veta om två medelvärden i ett enkätresultat faktiskt skiljer sig åt och inte bara är numeriskt olika. Med hjälp av t-tester kan du enklare jämföra gruppmedelvärden, utvärdera urvalsskillnader och avgöra om en skillnad är statistiskt signifikant utifrån p-värdet och konfidensnivån.

Det här är några vanliga enkätscenarier:

Använd ett t-test när du behöver bedöma skillnader i medelvärden, testa en jämförelse med ett referensvärde eller bekräfta en hypotes med en liten provgruppsstorlek. Här är t-testet ett tillförlitligt val för enkätanalys, A/B-testning och situationer där du behöver belägg för att skillnaden i data är verklig.

Innan du utför ett t-test kontrollerar du att de data du har uppfyller ett antal grundläggande förutsättningar så att resultatet blir tillförlitligt.

Med en snabb kontroll av de här grunderna kan du försäkra sig om att de skillnader du ser faktiskt speglar en verklig effekt och inte bara är databrus.

Det finns tre typer av t-tester som ofta används av forskare. De här t-testerna tjänar olika syften som förklaras nedan.

I det ensidiga t-testet tittar man på om genomsnittet för data från en grupp (i det här fallet NPS-poängen) skiljer sig från ett värde du anger.

Exempel: Företagets nuvarande genomsnittliga kundinsatspoäng är 4,2. Är en kundinsatspoäng på 4,2 signifikant sämre än branschstandardens 5,0?

I ett tvåsidigt t-test tittar man på om genomsnittet för två oberoende grupper skiljer sig avsevärt från varandra. Om gruppvarianserna skiljer sig åt eller om provgruppsstorlekarna är ojämna bör du byta till Welchs t-test (finns i de flesta verktyg), eftersom det inte utgår från att varianserna är lika.

Exempel: Din hypotes är att män ger företaget en lägre NPS-poäng än kvinnor. Män ger er i genomsnitt 9 i betyg, medan det genomsnittliga betyget från kvinnor är 12. Skiljer sig 9 signifikant från 12?

I det här testet ger man en grupp samma enkät två gånger. Med ett parat t-test får du veta om genomsnittet har förändrats mellan det första och andra enkättillfället.

Exempel: Du har skickat en enkät till samma kundgrupp två gånger, en gång i april och en andra gång i maj efter att de sett en annons för ert företag. Ändrades företagets NPS efter att kunderna sett annonsen?

Ett t-test genomförs i fyra steg.

I det här avsnittet går vi igenom de fyra stegen med hjälp av exemplet med NPS-poäng från inledningen:

Din hypotes är att män ger företaget en lägre NPS-poäng än kvinnor. Män ger er i genomsnitt 9 i betyg, medan det genomsnittliga betyget från kvinnor är 12. Skiljer sig 9 signifikant från 12? I det här exemplet passar det att använda det tvåsidiga t-testet.

Vi tittar närmare på de olika stegen och exemplen för t-test.

Varje typ av t-test har en egen formel för att beräkna t-värdet. I det här exemplet använder vi formeln för det tvåsidiga t-testet där:

Du kommer förmodligen att utföra t-testerna i ett kalkylblad eller ett statistikprogram (som Excel eller SPSS), men om du vill räkna för hand hittar du formlerna för de andra två typerna av t-tester nedan.

Frihetsgraderna är det antal sätt genomsnittet kan variera på. I det här fallet är frihetsgraderna antalet NPS-betyg som ni kan få i en viss grupp svarande. I likhet med t-värdet kan formeln för frihetsgrader också variera beroende på vilken typ av t-test som utförs.

Den här formeln måste användas för att bestämma frihetsgrader vid tvåsidiga t-test.

Det kritiska värdet är det tröskelvärde vid vilket skillnaden mellan de två talen anses vara statistiskt signifikant.

Enligt den här tabellen är det kritiska värdet för ett tvåsidigt test med en alfanivå på 0,05 och 41 frihetsgrader 2,02. Tänk på att de flesta analytiker använder ett tvåsidigt test i stället för ett ensidigt, eftersom det är mer konservativt.

Mer information om skillnaderna mellan ensidiga och tvåsidiga tester finns i den här videon från Khan Academy.

Om t-värdet är större än det kritiska värdet är skillnaden signifikant. Om t-värdet är mindre är de båda talen, statistiskt sett, omöjliga att särskilja.

I vårt exempel är det absoluta t-värdet 0,86, vilket inte är större än det kritiska värdet på 2,02, och därför kan du dra slutsatsen att män inte ger avsevärt lägre NPS-betyg än kvinnor.

När du ska tolka resultatet från ett t-test behöver du granska t-värdet, p-värdet och konfidensintervallet för att förstå om skillnaden mellan grupperna är verklig eller bara en slumpmässig variation. Sammantaget visar de här måtten hur stor skillnaden är, hur starka bevisen är och hur säker du kan var på utfallet (konfidensnivån). Frågorna och svaren nedan förklarar vad de olika delarna avslöjar och hur du analyserar resultatet från ett t-test.

T-värdet visar hur stor skillnaden mellan gruppmedelvärdena är i förhållande till variabiliteten i data. Ett högre absolut t-värde betyder att skillnaden är verklig, medan ett lägre t-värde tyder på att den kan bero på slumpen.

P-värdet anger sannolikheten för att du skulle få det här resultatet om nollhypotesen (ingen verklig skillnad) vore sann. Många team använder en gräns på 0,05, där p ≤ 0,05 tyder på en statistiskt signifikant skillnad, medan p > 0,05 tyder på att det inte finns någon meningsfull skillnad i provgruppen.

Ett konfidensintervall anger inom vilket intervall den verkliga skillnaden i medelvärden troligtvis ligger, vilket bidrar med ett större sammanhang än bara ja/nej. Om intervallet spänner över noll är effekten inte avgörande, men om det ligger helt över eller under noll är resultatet signifikant på den valda konfidensnivån.

En meningsfull skillnad är både statistiskt signifikant och praktiskt viktig. Titta på den uppskattade effektstorleken och konfidensintervallet för att få en bild av hur stor skillnaden kan vara och om den är relevant för beslutet.

Större provgrupper minskar variabiliteten, ger snävare konfidensintervall och gör det lättare att identifiera verkliga skillnader. Mindre provgrupper ger större osäkerhet och gör det svårare att tolka gränsfall.

En tydlig resultatöversikt över t-testet visar varför du gjorde jämförelsen, vad testet avslöjade och hur säker du kan vara på skillnaden mellan grupperna. Din uppgift är att översätta det statistiska resultatet till vanlig svenska, koppla det till ursprungsfrågan och lyfta fram utfallets betydelse för de beslut som ska tas.

Ta med följande viktiga element när du sammanfattar resultatet av ett t-test:

Om du kan undvika vissa enkla misstag kan du få mer tillförlitliga och tydliga resultat utifrån enkätdata i t-testet.

T-tester används för att avgöra om skillnaden i medelvärden mellan två provgrupper är statistiskt signifikant. Du kan använda t-tester vid analys av enkätdata för att visa hur tillförlitliga data är.

Med SurveyMonkey kan du effektivisera arbetet med att skapa och skicka enkäter till provgrupper för organisationens forskningsbehov. Med SurveyMonkey kan du ta fram marknadsundersökningar och frågeformulär från grunden eller välja bland våra fler än 400 färdiga enkätmallar.

Kom igång med att samla in enkätdata för analys redan idag och hjälp organisationen att fatta bättre beslut och utvecklas. Skapa ett kostnadsfritt konto idag.

NPS, Net Promoter och Net Promoter® Score är registrerade varumärken som tillhör Satmetrix Systems, Inc., Bain & Company och Fred Reichheld.