Prova de significació estadística
En la recerca quantitativa, una de les preguntes més freqüents és: les diferències o relacions observades a les dades són realment "reals" o simplement una coincidència causada per una variació aleatòria? Per respondre-hi, els investigadors utilitzen proves de significació estadística. Aquestes proves ajuden a determinar si els resultats obtinguts d'una mostra són prou sòlids per ser generalitzats a la població, basant-se en un marc de probabilitat específic. Tot i que la terminologia pot semblar tècnica, el concepte bàsic és senzill: comparem el que observem amb el que hauria passat si no hi hagués cap efecte.
Definició i propòsit
Una prova de significació estadística és un procediment formal que s'utilitza per avaluar l'evidència de les dades per a una afirmació (hipòtesi) sobre una població. El seu objectiu principal és determinar si un efecte —per exemple, la diferència entre dues mitjanes de grup, la correlació entre dues variables o l'efecte d'un tractament— és prou gran i consistent com per ser improbable que es produeixi per atzar.
A la pràctica, les proves de significació no "proven" que una teoria sigui certa, sinó que proporcionen una mesura de la força amb què les dades rebutgen una suposició concreta. Aquí és on és important entendre que l'estadística opera dins d'un àmbit d'incertesa. No hi ha certesa absoluta, sinó un grau de confiança recolzat per les dades.
Hipòtesi nul·la i hipòtesi alternativa
Les proves de significació generalment es basen en dues afirmacions:
1. Hipòtesi nul·la (H₀): afirma que no hi ha cap diferència, cap relació o cap influència. Per exemple: "La nota mitjana de la classe A és la mateixa que la de la classe B" o "No hi ha cap relació entre les hores d'estudi i les puntuacions dels exàmens".
2. Hipòtesi alternativa (H₁ o Hₐ): afirma que hi ha una diferència, una relació o una influència. Per exemple: «La nota mitjana de la classe A és diferent de la classe B» o «Hi ha una relació entre les hores d'estudi i les puntuacions dels exàmens».
Les proves de significació operen amb la suposició inicial que H₀ és certa. Aleshores, s'analitzen les dades per veure si els resultats són extremadament rars si H₀ és certa. Si són rars, tendim a rebutjar H₀.
El valor p (valor p) i el seu significat
El concepte central en les proves de significació és el valor p. En poques paraules, el valor p és la probabilitat d'obtenir un resultat almenys tan extrem com l'observat a les dades, assumint que la hipòtesi nul·la és certa.
– Si p és petit, significa que els resultats observats rarament es produeixen quan H₀ és certa, per la qual cosa tenim motius per rebutjar H₀.
– Si p és gran, significa que els resultats observats encara són plausibles si H₀ és certa, per la qual cosa no tenim prou evidència per rebutjar H₀.
Tanmateix, el valor p sovint s'entén malament. El valor p no és la probabilitat que H₀ sigui vertadera o falsa. Tampoc és una mesura de la magnitud de l'efecte. El valor p simplement indica la força de l'evidència en contra de H₀ dins d'un marc específic.
Nivell de significació (α)
Per prendre una decisió, els investigadors estableixen un nivell de significació, denotat per α (alfa). Els valors més utilitzats són 0,05 (5%) o 0,01 (1%). La regla és:
– Si p ≤ α, es diu que els resultats són estadísticament significatius i es rebutja H₀.
– Si p > α, el resultat no és significatiu i H₀ no es rebutja.
Triar α no és una decisió purament tècnica, sinó que també té en compte el context. Per exemple, en la recerca mèdica que implica la seguretat del pacient, els investigadors podrien triar un α més estricte (0,01) per reduir el risc de conclusions falses.
Errors de tipus I i tipus II
Com que les proves estadístiques impliquen la presa de decisions sota incertesa, sempre hi ha la possibilitat d'error:
1. Error de tipus I (fals positiu): rebutjar H₀ quan H₀ és certa. La probabilitat està controlada per α.
2. Error de tipus II (fals negatiu): no rebutjar H₀ quan H₁ és certa. La probabilitat es denota per β (beta); la inversa s'anomena potència, que és 1 − β.
En contextos del món real, ambdós tipus d'errors poden tenir conseqüències significatives. Per exemple, assumir que un fàrmac és eficaç quan no ho és (Tipus I) pot ser perjudicial, mentre que assumir que un fàrmac és ineficaç quan en realitat ho és (Tipus II) pot conduir a la pèrdua d'oportunitats terapèutiques.
Tipus comuns de proves de significació
Hi ha moltes proves de significació, i l'elecció depèn de la finalitat, el tipus de dades i les suposicions que es compleixen. Algunes de les més utilitzades són:
– Prova t: compara les mitjanes de dos grups (per exemple, experimental vs. control). Hi ha versions de prova t independents i aparellades.
– ANOVA: compara la mitjana de més de dos grups (per exemple, tres mètodes d'aprenentatge).
– Prova de khi quadrat: comprova la relació entre variables categòriques (per exemple, gènere i elecció de l'especialitat).
– Correlació de Pearson/Spearman: comprova la relació entre dues variables numèriques (Pearson per a dades normals, Spearman per a dades ordinals/no normals).
– Regressió lineal/logística: prova la influència d'una o més variables predictores sobre la variable de resultat.
Cada prova té suposicions, com ara la normalitat, l'homogeneïtat de la variància o la independència de les dades. Violar aquestes suposicions pot conduir a resultats de prova enganyosos, per la qual cosa el diagnòstic de dades i les proves prèvies són essencials.
Significació estadística vs. significació pràctica
Una crítica a les proves de significació és que els investigadors se centren massa en si és "significatiu" o "insignificatiu" sense considerar les seves implicacions pràctiques. Amb mostres molt grans, petites diferències poden ser estadísticament significatives, tot i que el seu impacte és gairebé imperceptible. Per contra, amb mostres petites, efectes que en realitat són força importants poden no assolir la significació a causa d'una potència insuficient.
Per tant, les proves de significació sempre han d'anar acompanyades de:
– Mides d'efecte com ara la d de Cohen, l'eta al quadrat o la raó de probabilitats.
– Interval de confiança per mostrar el rang de valors raonables dels paràmetres.
La combinació del valor p, la mida de l'efecte i l'interval de confiança proporciona una imatge més completa: no només "hi ha un efecte o no", sinó "quina és la magnitud de l'efecte i fins a quin punt podem estar segurs d'aquesta estimació".
Passos generals per dur a terme una prova de significació
En general, el procediment és:
1. Formuleu H₀ i H₁ segons les preguntes de recerca.
2. Determineu α (per exemple, 0,05).
3. Trieu la prova adequada segons el tipus de dades i el disseny de la recerca.
4. Comprovar les hipòtesis de prova (normalitat, variància, independència, etc.).
5. Calcula l'estadístic de prova i obté el valor p.
6. Compareu el valor p amb α i traieu-ne conclusions.
7. Informeu dels resultats completament, incloent-hi les magnituds de l'efecte i els intervals de confiança sempre que sigui possible.
Un bon informe també inclou el context, com ara les característiques de la mostra, els mètodes de mesura i el possible biaix.
Tancament
Les proves de significació estadística són eines importants per avaluar si els resultats de les dades reflecteixen probablement les condicions de la població o són simplement el resultat d'una variació aleatòria. Tanmateix, aquestes proves no són l'únic àrbitre de la veritat científica. El valor p s'ha d'entendre amb precisió, combinat amb la mida de l'efecte, l'interval de confiança i una avaluació contextual de la rellevància dels resultats.
Quan s'utilitzen correctament, les proves de significació ajuden a fer que la recerca sigui més objectiva i responsable. Per contra, si s'utilitzen mecànicament sense comprendre els seus supòsits i limitacions, poden conduir a conclusions errònies. Per tant, la comprensió conceptual, la interpretació reflexiva i la transparència dels informes són clau per utilitzar les proves de significació per donar suport a les decisions basades en dades.
