Kiểm định T-test cặp đôi

* Kiểm định t-test cặp đôi trong SPSS
* Tác giả: Hướng dẫn thực hành kinh tế lượng
* Mục đích: So sánh doanh thu giữa hai năm 2012 và 2013

* Mở file dữ liệu
GET FILE='/data/paired-t-test.sav'.

* Thực hiện kiểm định t-test cặp đôi
T-TEST PAIRS=DT2012 WITH DT2013 (PAIRED)
  /CRITERIA=CI(0.9500)
  /MISSING=ANALYSIS.

* Tính toán thống kê mô tả
DESCRIPTIVES VARIABLES=DT2012 DT2013
  /STATISTICS=MEAN STDDEV MIN MAX.

* Kiểm tra tương quan giữa hai biến
CORRELATIONS
  /VARIABLES=DT2012 DT2013
  /PRINT=TWOTAIL NOSIG
  /MISSING=PAIRWISE.

* Kiểm định t-test cặp đôi trong Stata
* Tác giả: Hướng dẫn thực hành kinh tế lượng
* Mục đích: So sánh doanh thu giữa hai năm 2012 và 2013

* Mở file dữ liệu
use "/data/paired-t-test.dta", clear

* Thống kê mô tả cho hai biến
summarize dt2012 dt2013

* Kiểm tra tương quan
correlate dt2012 dt2013

* Thực hiện kiểm định t-test cặp đôi
ttest dt2012 == dt2013

* Tính toán sự khác biệt
generate diff = dt2012 - dt2013
summarize diff

* Kiểm định t-test một mẫu cho sự khác biệt
ttest diff == 0

* Kiểm tra phân phối chuẩn của sự khác biệt
histogram diff, normal
swilk diff

# Kiểm định t-test cặp đôi trong R
# Tác giả: Hướng dẫn thực hành kinh tế lượng
# Mục đích: So sánh doanh thu giữa hai năm 2012 và 2013

# Cài đặt và load các package cần thiết
library(readr)
library(dplyr)
library(ggplot2)
library(psych)

# Đọc dữ liệu
data <- read_csv("/data/paired-t-test.csv")

# Thống kê mô tả
describe(data[c("DT2012", "DT2013")])

# Kiểm tra tương quan
cor.test(data$DT2012, data$DT2013)

# Thực hiện kiểm định t-test cặp đôi
t_test_result <- t.test(data$DT2012, data$DT2013, 
                       paired = TRUE, 
                       conf.level = 0.95)

# Hiển thị kết quả
print(t_test_result)

# Tính toán sự khác biệt
data$diff <- data$DT2012 - data$DT2013
summary(data$diff)

# Kiểm tra phân phối chuẩn của sự khác biệt
shapiro.test(data$diff)

# Vẽ biểu đồ phân phối
ggplot(data, aes(x = diff)) +
  geom_histogram(aes(y = ..density..), 
                 binwidth = 100, 
                 fill = "lightblue", 
                 alpha = 0.7) +
  stat_function(fun = dnorm, 
                args = list(mean = mean(data$diff), 
                           sd = sd(data$diff)),
                color = "red", size = 1) +
  labs(title = "Phân phối của sự khác biệt doanh thu",
       x = "Khác biệt (triệu đồng)",
       y = "Mật độ") +
  theme_minimal()

# Kiểm định t-test cặp đôi trong Python
# Tác giả: Hướng dẫn thực hành kinh tế lượng
# Mục đích: So sánh doanh thu giữa hai năm 2012 và 2013

import pandas as pd
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import shapiro, pearsonr

# Đọc dữ liệu
data = pd.read_csv('/data/paired-t-test.csv')

# Thống kê mô tả
print("Thống kê mô tả:")
print(data[['DT2012', 'DT2013']].describe())

# Kiểm tra tương quan
correlation, p_value = pearsonr(data['DT2012'], data['DT2013'])
print(f"\nTương quan giữa DT2012 và DT2013: {correlation:.3f}")
print(f"P-value: {p_value:.3f}")

# Thực hiện kiểm định t-test cặp đôi
t_stat, p_value = stats.ttest_rel(data['DT2012'], data['DT2013'])

print(f"\nKết quả kiểm định t-test cặp đôi:")
print(f"T-statistic: {t_stat:.3f}")
print(f"P-value: {p_value:.3f}")

# Tính toán sự khác biệt
data['diff'] = data['DT2012'] - data['DT2013']
print(f"\nSự khác biệt trung bình: {data['diff'].mean():.1f} triệu đồng")
print(f"Độ lệch chuẩn: {data['diff'].std():.1f} triệu đồng")

# Kiểm tra phân phối chuẩn
shapiro_stat, shapiro_p = shapiro(data['diff'])
print(f"\nKiểm định Shapiro-Wilk cho sự khác biệt:")
print(f"Statistic: {shapiro_stat:.3f}, P-value: {shapiro_p:.3f}")

# Vẽ biểu đồ
plt.figure(figsize=(12, 5))

# Biểu đồ histogram
plt.subplot(1, 2, 1)
plt.hist(data['diff'], bins=15, alpha=0.7, color='lightblue', edgecolor='black')
plt.axvline(data['diff'].mean(), color='red', linestyle='--', 
            label=f'Trung bình: {data["diff"].mean():.1f}')
plt.xlabel('Sự khác biệt (triệu đồng)')
plt.ylabel('Tần suất')
plt.title('Phân phối của sự khác biệt doanh thu')
plt.legend()

# Q-Q plot
plt.subplot(1, 2, 2)
stats.probplot(data['diff'], dist="norm", plot=plt)
plt.title('Q-Q Plot kiểm tra phân phối chuẩn')

plt.tight_layout()
plt.show()

# Kết luận
alpha = 0.05
if p_value < alpha:
    print(f"\nKết luận: Với α = {alpha}, p-value = {p_value:.3f} < {alpha}") print("Bác bỏ giả thuyết H₀. Có sự khác biệt có ý nghĩa thống kê.") else: print(f"\nKết luận: Với α = {alpha}, p-value = {p_value:.3f} >= {alpha}")
    print("Chưa có đủ bằng chứng để bác bỏ giả thuyết H₀.")