例題 ある病院で、新しい排泄ケアトレーニングプログラムが導入された後、看護師の排泄ケア時間（分）に変化があるかどうかを検定
例題
ある病院で、新しい排泄ケアトレーニングプログラムが導入された後、看護師の排泄ケア時間（分）に変化があるかどうかを検定したいとします。以下は、トレーニングプログラム導入前と導入後の10人の看護師に対するデータです。
トレーニングプログラム導入前 28,32,25,30,35,28,29,31,27,3328,32,25,30,35,28,29,31,27,33
トレーニングプログラム導入後 24,30,22,28,31,26,27,29,23,3224,30,22,28,31,26,27,29,23,32
このデータを使用して、トレーニングプログラムの導入によって看護師の排泄ケア時間が変化したかどうかを検定します。ここでは、片側検定（導入後の平均時間が減少したか）と両側検定（導入後の平均時間が変化したか）の両方の例をPythonコードで示し、計算結果を解釈してください。
片側検定（導入後の平均時間が減少したか）と両側検定（導入後の平均時間が変化したか）の両方の例を示します。片側検定は通常、導入後の変化の方向性に特定の仮説がある場合に使用されます。
片側検定（導入後の平均時間が減少したか）
from
scipy.stats import ttest_rel
#
データセット
before_training
= [28, 32, 25, 30, 35, 28, 29, 31, 27, 33]
after_training
= [24, 30, 22, 28, 31, 26, 27, 29, 23, 32]
#
片側検定を実行
t_statistic,
p_value = ttest_rel(before_training, after_training)
#
結果の表示
print("片側検定（導入後の平均時間が減少したか）")
print("t統計量＝", t_statistic)
print("p値＝", p_value / 2) # 片側検定の場合はp値を2で割る
出力結果
片側検定（導入後の平均時間が減少したか）
t統計量＝ 7.648529270389177
p値＝ 1.5817541734189244e-05
両側検定（導入後の平均時間が変化したか）
#
両側検定を実行
t_statistic_two_sided,
p_value_two_sided = ttest_rel(before_training, after_training)
#
結果の表示
print("\n両側検定（導入後の平均時間が変化したか）")
print("t統計量＝", t_statistic_two_sided)
print("p値＝", p_value_two_sided)
出力結果
両側検定（導入後の平均時間が変化したか）
t統計量＝ 7.648529270389177
p値＝ 3.163508346837849e-05
計算結果の解釈として、片側検定では、p値が有意水準（通常は0.05）よりも小さい場合、帰無仮説「導入後の平均時間に変化がない」を棄却し、導入後の平均時間が減少したと結論できます。つまり、p値を確認すると0.05よりも小さいので、「導入後の平均時間が減少した」と結論できます。
両側検定では、p値が有意水準（通常は0.05）よりも小さい場合、帰無仮説「導入後の平均時間に変化がない」を棄却し、導入後の平均時間に変化があると結論できます。つまり、p値を確認すると0.05よりも小さいので、「導入後の平均時間が変化した」と結論できます。