Jak obliczyć znaczenie

Zawartość

• Błąd typu I: błędne odrzucenie hipotezy zerowej
• Błąd typu II: błędne odrzucenie alternatywnej hipotezy
• Określenie poziomu istotności
• Wybór testu istotności

Istotność statystyczna jest obiektywnym wskaźnikiem tego, czy wyniki badania są matematycznie „rzeczywiste” i statystycznie uzasadnione, a nie tylko przypadkowe. Powszechnie stosowane testy istotności szukają różnic w średnich zestawach danych lub różnic w wariancjach zestawów danych. Rodzaj zastosowanego testu zależy od rodzaju analizowanych danych. Do naukowców należy określenie, jak istotne są wyniki - innymi słowy, jakie ryzyko są skłonni ponieść. Zazwyczaj naukowcy są skłonni zaakceptować poziom ryzyka wynoszący 5 procent.

Błąd typu I: błędne odrzucenie hipotezy zerowej

••• Scott Rothstein / iStock / Getty Images

Eksperymenty są przeprowadzane w celu przetestowania konkretnych hipotez lub pytań eksperymentalnych z oczekiwanym rezultatem. Hipoteza zerowa to taka, która nie wykrywa żadnej różnicy między dwoma zestawami danych, które są porównywane. Na przykład w badaniu medycznym hipoteza zerowa może być taka, że ​​nie ma różnicy w poprawie między pacjentami otrzymującymi badany lek a pacjentami otrzymującymi placebo. Jeśli badacz niesłusznie odrzuci tę hipotezę zerową, gdy jest ona w rzeczywistości prawdą, innymi słowy, jeśli „wykryje” różnicę między dwoma zestawami pacjentów, kiedy tak naprawdę nie było żadnej różnicy, to popełnił błąd typu I.Naukowcy z góry określają, jakie ryzyko popełnienia błędu typu I są skłonni zaakceptować. Ryzyko to opiera się na maksymalnej wartości p, którą zaakceptują przed odrzuceniem hipotezy zerowej i nazywa się alfa.

Błąd typu II: błędne odrzucenie alternatywnej hipotezy

Alternatywna hipoteza to taka, która wykrywa różnicę między dwoma zestawami danych, które są porównywane. W przypadku badania medycznego można oczekiwać różnych poziomów poprawy u pacjentów otrzymujących badany lek iu pacjentów otrzymujących placebo. Jeśli badacze nie odrzucą hipotezy zerowej, kiedy powinni, innymi słowy, jeśli „nie wykryją” żadnej różnicy między dwoma grupami pacjentów, kiedy naprawdę była różnica, to popełnili błąd typu II.

Określenie poziomu istotności

Kiedy badacze przeprowadzają test o znaczeniu statystycznym, a wynikowa wartość p jest mniejsza niż poziom ryzyka uznanego za akceptowalny, wówczas wynik testu uznaje się za statystycznie istotny. W tym przypadku hipoteza zerowa - hipoteza, że ​​nie ma różnicy między dwiema grupami - jest odrzucana. Innymi słowy, wyniki wskazują, że istnieje różnica w poprawie między pacjentami otrzymującymi badany lek a pacjentami otrzymującymi placebo.

Wybór testu istotności

Do wyboru jest kilka różnych testów statystycznych. Standardowy test t porównuje średnie z dwóch zestawów danych, takich jak dane dotyczące badanego leku i dane dotyczące placebo. Sparowany test t służy do wykrywania różnic w tym samym zestawie danych, takich jak badanie przed i po. Jednokierunkowa analiza wariancji (ANOVA) może porównywać średnie z trzech lub więcej zestawów danych, a dwukierunkowa ANOVA porównuje średnie z dwóch lub więcej zestawów danych w odpowiedzi na dwie różne niezależne zmienne, takie jak różne siły badać lek. Regresja liniowa porównuje średnie zbiory danych wzdłuż gradientu zabiegów lub czasu. Każdy test statystyczny da w wyniku miary istotności lub alfa, które można wykorzystać do interpretacji wyników testu.