Hipotezių tikrinimas: Hipotezės: principai ir metodai.

Hipotezių tikrinimas yra pagrindinė mokslinių tyrimų priemonė, naudojama siekiant patvirtinti arba atmesti hipotezes apie populiacijos parametrus remiantis imties duomenimis. Jis suteikia struktūrizuotą pagrindą hipotezės statistiniam reikšmingumui įvertinti ir išvadoms apie tikrąjį populiacijos pobūdį padaryti. Hipotezių tikrinimas plačiai taikomas tokiose srityse kaip biologija, psichologija, ekonomika ir inžinerija. nustatyti naujų gydymo metodų veiksmingumą, ištirti kintamųjų sąsajas ir priimti duomenimis pagrįstus sprendimus. Tačiau, nepaisant hipotezių tikrinimo svarbos, jas suprasti ir teisingai taikyti gali būti sudėtinga.

Šiame straipsnyje pateiksime įvadą į hipotezių tikrinimą, įskaitant jo paskirtį, testų tipus, etapus, dažniausiai pasitaikančias klaidas ir geriausią praktiką. Nesvarbu, ar esate pradedantysis, ar patyręs tyrėjas, šis straipsnis bus vertingas vadovas, padėsiantis įvaldyti hipotezių tikrinimą savo darbe.

Įvadas į hipotezių tikrinimą

Hipotezės tikrinimas - tai statistinė priemonė, dažniausiai naudojama tyrimuose, siekiant nustatyti, ar pakanka įrodymų hipotezei patvirtinti arba atmesti. Jis apima hipotezės apie populiacijos parametrą suformulavimą, duomenų rinkimą ir jų analizę, siekiant nustatyti hipotezės teisingumo tikimybę. Tai labai svarbi mokslinio metodo sudedamoji dalis, naudojama įvairiose srityse.

Hipotezių tikrinimo procese paprastai keliamos dvi hipotezės: nulinė hipotezė ir alternatyvi hipotezė. Nulinė hipotezė - tai teiginys, kad tarp dviejų kintamųjų nėra reikšmingo skirtumo arba ryšio tarp jų, o alternatyvioji hipotezė rodo, kad ryšys arba skirtumas egzistuoja. Tyrėjai renka duomenis ir atlieka statistinę analizę, kad nustatytų, ar nulinę hipotezę galima atmesti alternatyviosios hipotezės naudai.

Hipotezių tikrinimas naudojamas sprendimams, pagrįstiems duomenimis, priimti, todėl svarbu suprasti pagrindines šio proceso prielaidas ir apribojimus. Labai svarbu pasirinkti tinkamus statistinius testus ir imčių dydžius, kad rezultatai būtų tikslūs ir patikimi, ir tai gali būti galinga priemonė tyrėjams patvirtinti savo teorijas ir priimti įrodymais pagrįstus sprendimus.

Hipotezių testų tipai

Hipotezių tikrinimą galima suskirstyti į dvi kategorijas: vienos imties hipotezių tikrinimą ir dviejų imčių hipotezių tikrinimą. Atidžiau apžvelkime kiekvieną iš šių kategorijų:

Vienos imties hipotezių testai

Atliekant vienos imties hipotezės tyrimą, tyrėjas surenka vienos populiacijos duomenis ir palygina juos su žinoma verte arba hipoteze. Nulinė hipotezė paprastai numato, kad nėra reikšmingo skirtumo tarp populiacijos vidurkių ir žinomos vertės arba hipotezės. Tuomet tyrėjas atlieka statistinį testą, kad nustatytų, ar pastebėtas skirtumas yra statistiškai reikšmingas. Keletas vienos imties hipotezių testų pavyzdžių:

Vienos imties t-testas: Šis testas naudojamas siekiant nustatyti, ar imties vidurkis reikšmingai skiriasi nuo hipotetinio populiacijos vidurkio.

Vienos imties z testas: Šis testas naudojamas siekiant nustatyti, ar imties vidurkis reikšmingai skiriasi nuo hipotetinio populiacijos vidurkio, kai žinomas populiacijos standartinis nuokrypis.

Dviejų imčių hipotezių testai

Dviejų imčių hipotezės testo metu tyrėjas surenka dviejų skirtingų populiacijų duomenis ir juos palygina tarpusavyje. Nulinė hipotezė paprastai reiškia prielaidą, kad tarp dviejų populiacijų nėra reikšmingo skirtumo, o tyrėjas atlieka statistinį testą, kad nustatytų, ar pastebėtas skirtumas yra statistiškai reikšmingas. Keletas dviejų imčių hipotezių testų pavyzdžių:

Nepriklausomų imčių t-testas: Šis testas naudojamas dviejų nepriklausomų imčių vidurkiams palyginti ir nustatyti, ar jie reikšmingai skiriasi vienas nuo kito.

Porinių imčių t-testas: Šis testas naudojamas dviejų susijusių imčių vidurkiams palyginti, pavyzdžiui, tos pačios tiriamųjų grupės prieš testą ir po testo.

Paveikslas: https://statstest.b-cdn.net/wp-content/uploads/2020/10/Paired-Samples-T-Test.jpg

Apibendrinant galima teigti, kad vienos imties hipotezių testai naudojami hipotezėms apie vieną populiaciją tikrinti, o dviejų imčių hipotezių testai naudojami dviem populiacijoms palyginti. Tinkamas testas priklauso nuo duomenų pobūdžio ir tiriamo tyrimo klausimo.

Hipotezių tikrinimo etapai

Hipotezės tikrinimas apima keletą etapų, kurie padeda tyrėjams nustatyti, ar pakanka įrodymų hipotezei patvirtinti arba atmesti. Šiuos etapus iš esmės galima suskirstyti į keturias kategorijas:

Hipotezės formulavimas

Pirmasis hipotezių tikrinimo žingsnis - suformuluoti nulinę hipotezę ir alternatyvią hipotezę. Nulinė hipotezė paprastai numato, kad tarp dviejų kintamųjų nėra reikšmingo skirtumo, o alternatyvioji hipotezė leidžia manyti, kad ryšys ar skirtumas egzistuoja. Prieš pradedant rinkti duomenis, svarbu suformuluoti aiškias ir patikrinamas hipotezes.

Duomenų rinkimas

Antrasis žingsnis - surinkti atitinkamus duomenis, kuriuos galima panaudoti hipotezėms patikrinti. Duomenų rinkimo procesas turėtų būti kruopščiai suplanuotas siekiant užtikrinti, kad imtis būtų reprezentatyvi dominančiai populiacijai. Imties dydis turėtų būti pakankamai didelis, kad būtų galima gauti statistiškai pagrįstus rezultatus.

Duomenų analizė

Trečiasis žingsnis - duomenų analizė naudojant atitinkamus statistinius testus. Testo pasirinkimas priklauso nuo duomenų pobūdžio ir tiriamo tyrimo klausimo. Statistinės analizės rezultatai suteiks informacijos apie tai, ar galima atmesti nulinę hipotezę ir patvirtinti alternatyvią hipotezę.

Rezultatų aiškinimas

Paskutinis žingsnis - interpretuoti statistinės analizės rezultatus. Tyrėjas turi nustatyti, ar rezultatai yra statistiškai reikšmingi ir ar jie patvirtina, ar atmeta hipotezę. Tyrėjas taip pat turėtų apsvarstyti tyrimo apribojimus ir galimas rezultatų pasekmes.

Dažniausiai pasitaikančios hipotezių tikrinimo klaidos

Hipotezės tikrinimas - tai statistinis metodas, naudojamas siekiant nustatyti, ar pakanka įrodymų, patvirtinančių arba atmetančių konkrečią hipotezę apie populiacijos parametrą, remiantis duomenų imtimi. Tikrinant hipotezes gali pasitaikyti dviejų tipų klaidų:

I tipo klaida: Taip atsitinka, kai tyrėjas atmeta nulinę hipotezę, nors ji yra teisinga. I tipo klaida dar vadinama klaidingai teigiama.

II tipo klaida: Taip atsitinka, kai tyrėjui nepavyksta atmesti nulinės hipotezės, nors ji yra klaidinga. II tipo klaida dar vadinama klaidingu neigiamu teiginiu.

Norint sumažinti šias klaidas, svarbu kruopščiai suplanuoti ir atlikti tyrimą, pasirinkti tinkamus statistinius testus ir tinkamai interpretuoti rezultatus. Tyrėjai taip pat turėtų pripažinti savo tyrimo apribojimus ir, darydami išvadas, atsižvelgti į galimus klaidų šaltinius.

Nulinė ir alternatyvioji hipotezės

Tikrinant hipotezes, yra dviejų tipų hipotezės: nulinė hipotezė ir alternatyvi hipotezė.

Nulinė hipotezė

Nulinė hipotezė (H0) - tai teiginys, kuriuo daroma prielaida, kad tarp dviejų kintamųjų nėra reikšmingo skirtumo ar ryšio. Tai numatytasis teiginys, kuris laikomas teisingu, kol nėra pakankamai įrodymų jam atmesti. Nulinė hipotezė dažnai rašoma kaip lygybės teiginys, pavyzdžiui, "A grupės vidurkis yra lygus B grupės vidurkiui".

Alternatyvioji hipotezė

Alternatyvioji hipotezė (Ha) - tai teiginys, kuris rodo, kad tarp dviejų kintamųjų yra reikšmingas skirtumas arba ryšys. Tai hipotezė, kurią tyrėjas nori patikrinti. Alternatyvioji hipotezė dažnai užrašoma kaip nelygybės teiginys, pavyzdžiui, "A grupės vidurkis nėra lygus B grupės vidurkiui".

Nulinė ir alternatyvioji hipotezės yra viena kitą papildančios ir viena kitą išskiriančios. Jei nulinė hipotezė atmetama, alternatyvioji hipotezė priimama. Jei nulinės hipotezės negalima atmesti, alternatyvioji hipotezė nepatvirtinama.

Svarbu pažymėti, kad nulinė hipotezė nebūtinai yra teisinga. Tai tiesiog teiginys, kuriuo daroma prielaida, kad tarp tiriamų kintamųjų nėra reikšmingo skirtumo ar ryšio. Hipotezės tikrinimo tikslas - nustatyti, ar pakanka įrodymų nulinei hipotezei atmesti ir patvirtinti alternatyviąją hipotezę.

Reikšmingumo lygis ir P vertė

Tikrinant hipotezes, reikšmingumo lygis (alfa) yra tikimybė, kad bus padaryta I tipo klaida, t. y. nulinė hipotezė bus atmesta, nors ji iš tikrųjų yra teisinga. Dažniausiai moksliniuose tyrimuose naudojamas reikšmingumo lygmuo yra 0,05, o tai reiškia, kad yra 5% tikimybė padaryti I tipo klaidą.

p reikšmė yra statistinis matas, rodantis tikimybę gauti stebėtus rezultatus arba kraštutinius rezultatus, jei nulinė hipotezė yra teisinga. Tai įrodymų, paneigiančių nulinę hipotezę, stiprumo matas. Maža p reikšmė (paprastai mažesnė už pasirinktą 0,05 reikšmingumo lygmenį) rodo, kad yra stiprių įrodymų, paneigiančių nulinę hipotezę, o didelė p reikšmė rodo, kad nepakanka įrodymų nulinei hipotezei atmesti.

Jei p reikšmė yra mažesnė už reikšmingumo lygmenį (p alfa), tuomet nulinė hipotezė neatmetama, o alternatyvioji hipotezė nepatvirtinama.

Jei norite lengvai suprantamos reikšmingumo lygio santraukos, ją rasite šiame straipsnyje: Lengvai suprantama reikšmingumo lygio santrauka.

Svarbu pažymėti, kad statistinis reikšmingumas nebūtinai reiškia praktinę reikšmę ar svarbą. Nedidelis skirtumas ar ryšys tarp kintamųjų gali būti statistiškai reikšmingas, bet gali būti praktiškai nereikšmingas. Be to, statistinis reikšmingumas, be kitų veiksnių, priklauso nuo imties dydžio ir poveikio dydžio, todėl jį reikėtų aiškinti atsižvelgiant į tyrimo planą ir tyrimo klausimą.

Hipotezių tikrinimo galios analizė

Galios analizė - tai statistinis metodas, naudojamas hipotezėms tikrinti, siekiant nustatyti imties dydį, kurio reikia tam tikro dydžio poveikiui aptikti su tam tikru patikimumo lygiu. Statistinio testo galia - tai tikimybė teisingai atmesti nulinę hipotezę, kai ji klaidinga, arba tikimybė išvengti II tipo klaidos.

Galios analizė yra svarbi, nes ji padeda tyrėjams nustatyti tinkamą imties dydį, reikalingą norimam galios lygiui pasiekti. Atliekant tyrimą su maža galia gali nepavykti aptikti tikrojo poveikio, todėl gali būti padaryta II tipo klaida, o atliekant tyrimą su didele galia yra didesnė tikimybė aptikti tikrąjį poveikį ir gauti tikslesnius ir patikimesnius rezultatus.

Norint atlikti galios analizę, tyrėjai turi nurodyti pageidaujamą galios lygį, reikšmingumo lygį, poveikio dydį ir imties dydį. Poveikio dydis - tai tiriamų kintamųjų skirtumo ar ryšio dydžio matas, kuris paprastai apskaičiuojamas remiantis ankstesniais tyrimais ar bandomaisiais tyrimais. Atlikus galios analizę galima nustatyti reikiamą imties dydį, kurio reikia norimam galios lygiui pasiekti.

Galios analizė taip pat gali būti naudojama retrospektyviai, siekiant nustatyti atlikto tyrimo galią, remiantis imties dydžiu, poveikio dydžiu ir reikšmingumo lygiu. Tai gali padėti tyrėjams įvertinti savo išvadų stiprumą ir nustatyti, ar reikia papildomų tyrimų.

Apskritai galios analizė yra svarbi hipotezių tikrinimo priemonė, nes ji padeda tyrėjams rengti tyrimus, kurių galia yra pakankama tikrajam poveikiui aptikti ir išvengti II tipo klaidų.

Bajeso hipotezių tikrinimas

Bajeso hipotezių tikrinimas - tai statistinis metodas, leidžiantis tyrėjams įvertinti įrodymus, patvirtinančius ir paneigiančius konkuruojančias hipotezes, remiantis stebimų duomenų tikimybe pagal kiekvieną hipotezę, taip pat kiekvienos hipotezės išankstine tikimybe. Skirtingai nuo klasikinio hipotezių tikrinimo, kai daugiausia dėmesio skiriama nulinių hipotezių atmetimui remiantis p vertėmis, Bajeso hipotezių tikrinimas suteikia daugiau niuansų ir informacijos hipotezių tikrinimui, nes leidžia tyrėjams kiekybiškai įvertinti kiekvienos hipotezės pagrindimo ir paneigimo įrodymų stiprumą.

Tikrindami Bajeso hipotezes, tyrėjai, remdamiesi turimomis žiniomis ar įsitikinimais, pradeda nuo išankstinių kiekvienos hipotezės tikimybių pasiskirstymo. Tada jie atnaujina išankstinį tikimybių pasiskirstymą, remdamiesi stebimų duomenų tikimybe pagal kiekvieną hipotezę, taikydami Bajeso teoremą. Gautas posteriorinis tikimybių pasiskirstymas rodo kiekvienos hipotezės tikimybę, atsižvelgiant į stebėtus duomenis.

Vienos hipotezės ir kitos hipotezės įrodymų stiprumą galima kiekybiškai įvertinti apskaičiuojant Bajeso koeficientą, kuris yra stebimų duomenų tikimybės pagal vieną hipotezę ir kitą hipotezę santykis, pasvertas pagal jų išankstines tikimybes. Bajeso koeficientas, didesnis už 1, rodo, kad viena hipotezė yra pagrįsta, o Bajeso koeficientas, mažesnis už 1, rodo, kad kita hipotezė yra pagrįsta.

Bajeso hipotezių tikrinimas turi keletą privalumų, palyginti su klasikiniu hipotezių tikrinimu. Pirma, jis leidžia tyrėjams atnaujinti savo išankstinius įsitikinimus, remiantis stebėtais duomenimis, o tai gali padėti padaryti tikslesnes ir patikimesnes išvadas. Antra, jis pateikia informatyvesnį įrodymų matą nei p vertės, kurios tik parodo, ar stebimi duomenys yra statistiškai reikšmingi iš anksto nustatytu lygiu. Galiausiai, ji gali būti pritaikyta sudėtingiems modeliams su keliais parametrais ir hipotezėmis, kuriuos gali būti sunku analizuoti taikant klasikinius metodus.

Apskritai Bajeso hipotezių tikrinimas yra galingas ir lankstus statistinis metodas, kuris gali padėti tyrėjams priimti labiau pagrįstus sprendimus ir padaryti tikslesnes išvadas iš savo duomenų.

Per kelias minutes sukurkite moksliškai tikslią infografiką

Mind the Graph platforma yra galingas įrankis, padedantis mokslininkams lengvai kurti moksliškai tikslias infografikas. Dėl intuityvios sąsajos, pritaikomų šablonų ir plačios mokslinių iliustracijų ir piktogramų bibliotekos Mind the Graph leidžia mokslininkams lengvai kurti profesionaliai atrodančią grafiką, kuri efektyviai perteikia jų išvadas platesnei auditorijai.