statisztikai

Ha az eredményeim nem szignifikánsak, valóban nincs hatása, vagy az, hogy a vizsgálat nem volt képes kimutatni?

Vagy éppen ellenkezőleg, ha jelentős eredményeim vannak, akkor valóban ilyen pozitívak-e, vagy a kísérlet túlbecsüli-e a kezelés hatásait?

És végül hogyan kell megterveznünk tanulmányunkat, hogy nagyobb esélyt kapjunk a jelentős hatások észlelésére?.

Bizonyára valamikor belebotlott ezekbe a kérdésekbe. Aki nem! Mindegyik a statisztikai erővel függ össze, amelyet ma megpróbálok elmagyarázni Önnek ebben a bejegyzésben.

Leírja annak valószínűségét, hogy egy teszt helyesen azonosítja a valódi, valós hatást. Egyszerűbben fogalmazva, ez a képesség a jel és a zaj megkülönböztetésére. A jel, amelyet keresünk, a kezelés hatása valamilyen, minket érdeklő eredményre.
Képzelje el, hogy meg akarja vizsgálni egy új gyógyszer hatékonyságát az influenza ellen. Arra törekszünk, hogy teszteljük hatékonyságát (jelét). A minket aggasztó zaj az adatok összetettségéből fakad (mennyire változó). Például akkor lesz zaj az eredményekben, ha a gyógyszer hatékonysága nagymértékben függ az egyén életkorától vagy nemétől.

Valóban nincs hatás, vagy a vizsgálat nem volt képes kimutatni? Az eredmények valóban pozitívak, vagy a kísérlet túlbecsüli a kezelés hatásait? ha elemzésének statisztikai ereje alacsony, az eredményeket gyakran nehéz értelmezni.

Kísérleteinket úgy kell megterveznünk, hogy nagy kontrasztot kapjunk, és így biztosak lehetünk abban, hogy képesek leszünk bemutatni a vizsgált hatást.

Általában a 0,80 teljesítmény elfogadható és viszonyítási alapként használható. A kutatók általában úgy tervezze meg kísérleteit, hogy eredményei az idő 80% -ában értelmesek legyenek.

A kezelési (kísérleti vagy műszeres problémák) és a háttér (erősen változó válaszok) zajokat nem lehet ellenőrizni, de igen megfelelően tervezzük meg kísérletünket úgy, hogy nagy teljesítményt kapjunk.

A statisztikai teszt ereje a következőkhöz kapcsolódik:

  • A minta mérete «n»: a vizsgálatban részt vevő esetek vagy alanyok száma.
  • A jelentőség „alfa” szintje: a nullhipotézis elutasításának valószínűsége, ha igaz (I. típusú hiba vagy hamis pozitív). Általában 5% -ot, vagy ami ugyanaz, 95% -os konfidenciaszintet feltételezzük (1-alfa).
  • A "d" vagy "r" effektusméret: a válasz változásának mértéke. Kicsit leegyszerűsítve kiszámíthatunk olyan intézkedéseket, amelyek célkitűzésünknek megfelelően tükrözik a csoportok közötti átlagkülönbségeket (az átlagok különbségét elosztva a szórással), vagy azokat a mértékeket, amelyek jelzik a változók közötti kapcsolatot (korrelációs együttható).

Alacsony teljesítmény jelezhet kis mintaméretet, kisebb alfa vagy kis effektus méretet, és ellenkezőleg nagy teljesítmény esetén.

A statisztikai erő problémáját két alternatív módon közelíthetjük meg:

  • A priori megközelítés. Feltételezzük a szignifikancia szintjét (pl. 5%), a kívánt teljesítmény értékét (pl. 80%), és a korábbi vizsgálatokból ismerünk becsléseket a detektálandó hatás nagyságáról. Ezért, a cél annak meghatározása, hogy a kutatás során hány tantárgyat kell figyelembe vennünk a kritériumok teljesítése érdekében.
  • A posteriori megközelítés. Feltételezünk egy szignifikancia szintet (pl. 5%), van egy bizonyos méretű mintánk (amit meg tudtunk csinálni), és kiszámoljuk a vizsgálatunk során megfigyelt hatás nagyságát. Szeretnénk tudni, hogy elemzésünk mekkora erővel fedezte fel ezt a hatásméretet az általunk végzett kutatás során.

PÉLDA: ELŐZETES ÉS POSTERIORI SZÁMÍTÁS

A következő példát Robert Kabacoff (2011) "R in Action" című könyvéből adjuk át.

Képzelje el, hogy mérjük az emberek reakcióidejét a szimulátorban bekövetkező változásokra. Két tantárgycsoportunk van, az egyikben az alanyok telefonon beszélgetnek, a másik pedig nem.

  • Eleve. Összehasonlítani szeretnénk a résztvevők átlagos reakcióidejét mindkét csoportban.
    Az irodalomból tudjuk, hogy a reakcióidő szórása (SD) 1,25 másodperc, és hogy a reakcióidő 1 másodperc eltérése fontos különbségnek számít (a hatás nagysága d = 1/1,25 = 0,8 - átlagos különbség osztva SD-vel). 90% -os teljesítményhez és 95% -os megbízhatósági szinthez, Hány résztvevőre van szükségünk vizsgálatunk során?

Ha például a számításokat elvégezzük az R "pwr" csomagjával, akkor a következőket kapjuk:

Minden csoportban 34 alany (összesen 68 alany) 0,8-as hatásméret kimutatására, 90% -os teljesítménnyel és 95% -os konfidenciaszinttel.

  • A posteriori. Tegyük fel, hogy úgy gondoljuk, hogy elegendő a 0,5-ös hatás észlelése a népesség közötti különbségben, hogy csak 40 résztvevőt vonhatunk be a vizsgálatba, és hogy 99% -os konfidenciaszintet fogunk használni. Mennyi a valószínűsége a populáció közötti különbségek kimutatásának?

Feltételezve, hogy minden feltételben azonos számú résztvevő van:

Kevesebb mint 14% a valószínűsége, hogy 0,625 másodperc vagy annál rövidebb különbségeket találunk (d = 0,5 = 0,625/1,25), minden csoportban 20 résztvevővel, és szignifikancia szintje 0,01. Vagyis 86% -os valószínűséggel nem észleljük a keresett hatást. Ez arra késztet bennünket, hogy gondoljuk át tanulmányunk idejét és erőfeszítéseit, ahogyan azt javasoljuk.

A statisztikai erő lehetővé teszi számunkra, hogy újragondoljuk a tanulmánytervek idejét és erőfeszítéseit.

Hogyan válasszuk ki a megfelelő hatásméretet?

A hatás nagyságának meghatározása a legnehezebb lépés a teljesítmény és a minta méretének elemzésében.

Az ideális az, ha a tapasztalatokat felhasználjuk a vizsgált témában.

Bizonyos helyzetekben azonban a kutatás teljesen új, és nincsenek korábbi kutatásaink adatai.

Ezekben az esetekben Cohen (1988) bizonyos szabályokat javasol annak megállapítására, hogy mit nevezünk a kis, közepes és hosszú méretek hatásainak a statisztikai teszteknél.

Vigyázni kell azonban, mivel ez egy társadalmi kutatás számára létrehozott tartomány, és nem feltétlenül alkalmazható az Ön kutatási területén.

Alternatív megoldás a paraméterek megváltoztatása és ezeknek a mezőknek a minta méretére és statisztikai teljesítményére gyakorolt ​​hatásának megfigyelése.

PÉLDA: ÚJ HELYZETEK

  • 5 csoportot akarunk összehasonlítani, csoportonként 25 alanydal, 5% -os szignifikanciaszint mellett.

Kiszámítjuk a teszt teljesítményét az effektus (f) különböző értékeire:

A teljesítmény 11,8% lesz a kis hatás észleléséhez, 57,4% a közepes hatás észleléséhez és 95,7% a nagy hatás észleléséhez.

Tekintettel a korlátozott mintaméretekre, csak nagy hatást tudunk megkeresni.

  • Lássuk most a paramétereink érzékenységét.

Számítsuk ki a hatásméret-tartomány észleléséhez szükséges mintaméreteket.

Ez a grafikon lehetővé teszi számunkra a kísérleti tervezés körülményeinek megváltoztatásának becslését.

Láthatjuk, hogy ebben az esetben 5 kísérleti csoport esetében nem célszerű pénzt fektetni a mintanagyság csoportonkénti 200 megfigyelés feletti növelésébe.

A statisztikai teljesítmény lehetővé teszi számunkra, hogy megbecsüljük a kísérleti tervezés körülményeinek megváltoztatásának hatásait.

Képviselje a statisztikai hatalmat

PÉLDA: A minta mérete

  • Példát fogunk használni ábrázolja az effektus méretének megfelelően azt a mintaméretet, amelyet a vizsgálat során használnunk kellene (ebben az esetben a korrelációs együtthatóval mérve) és a feltételezett statisztikai teljesítmény.

Vagyis meg akarjuk határozni a szükséges mintaméretet annak eldöntéséhez, hogy a korrelációs együttható statisztikailag szignifikáns-e az effektus nagysága és a statisztikai teljesítményértékek tartománya szerint:

Megfigyeljük, hogy kb. 75 mintaméretre van szükségünk ahhoz, hogy 40% -os megbízhatósággal kimutassuk a 0,20 korrelációt.

Szükségünk van még 185 megfigyelésre (n = 260), hogy azonos korrelációt 90% -os megbízhatósággal észleljünk.

Ez a grafikon más típusú statisztikai tesztekhez is használható, csak változtasson meg néhány lépést.

A statisztikai teljesítmény lehetővé teszi számunkra, hogy eldöntsük a kísérletünkhöz szükséges minták méretét.

Hasznosnak találta a bejegyzést? Tudta a statisztikai teljesítmény fontosságát? Hogyan számíthatja ki kutatásának mintaméretét? Hagyja megjegyzését!

Érdekes referenciák

* Cohen, Jacob (1988). "Statisztikai teljesítményelemzés a viselkedéstudományok számára" (2. kiadás). Hillsdale, NJ: Lawrence Earlbaum Associates.