ການທົດສອບຄວາມສຳຄັນທາງສະຖິຕິ
ໃນການຄົ້ນຄວ້າດ້ານປະລິມານ, ໜຶ່ງໃນຄຳຖາມທີ່ພົບເລື້ອຍທີ່ສຸດແມ່ນ: ຄວາມແຕກຕ່າງ ຫຼື ຄວາມສຳພັນທີ່ສັງເກດເຫັນໃນຂໍ້ມູນແມ່ນ "ແທ້ຈິງ" ແທ້ໆ ຫຼື ພວກມັນພຽງແຕ່ເປັນເລື່ອງບັງເອີນທີ່ເກີດຈາກການປ່ຽນແປງແບບສຸ່ມ? ເພື່ອຕອບຄຳຖາມນີ້, ນັກຄົ້ນຄວ້າໃຊ້ການທົດສອບຄວາມສຳຄັນທາງສະຖິຕິ. ການທົດສອບເຫຼົ່ານີ້ຊ່ວຍກຳນົດວ່າຜົນໄດ້ຮັບທີ່ໄດ້ຈາກຕົວຢ່າງມີຄວາມເຂັ້ມແຂງພຽງພໍທີ່ຈະຖືກນຳໃຊ້ທົ່ວໄປໃນປະຊາກອນ, ໂດຍອີງໃສ່ຂອບຄວາມເປັນໄປໄດ້ສະເພາະ. ໃນຂະນະທີ່ຄຳສັບອາດຈະຟັງຄືວ່າເປັນເທັກນິກ, ແຕ່ແນວຄວາມຄິດພື້ນຖານແມ່ນງ່າຍດາຍ: ພວກເຮົາປຽບທຽບສິ່ງທີ່ພວກເຮົາສັງເກດເຫັນກັບສິ່ງທີ່ຈະເກີດຂຶ້ນຖ້າບໍ່ມີຜົນກະທົບ.
ຄໍານິຍາມ ແລະ ຈຸດປະສົງ
ການທົດສອບຄວາມສຳຄັນທາງສະຖິຕິແມ່ນຂັ້ນຕອນທາງການທີ່ໃຊ້ເພື່ອປະເມີນຫຼັກຖານຈາກຂໍ້ມູນສຳລັບຖະແຫຼງການ (ສົມມຸດຕິຖານ) ກ່ຽວກັບປະຊາກອນ. ຈຸດປະສົງຫຼັກຂອງມັນແມ່ນເພື່ອກຳນົດວ່າຜົນກະທົບ - ຕົວຢ່າງ, ຄວາມແຕກຕ່າງລະຫວ່າງຄ່າສະເລ່ຍສອງກຸ່ມ, ສຳພັນລະຫວ່າງສອງຕົວແປ, ຫຼື ຜົນກະທົບຂອງການປິ່ນປົວ - ແມ່ນໃຫຍ່ຫຼວງ ແລະ ສອດຄ່ອງພຽງພໍທີ່ຈະບໍ່น่าຈະເກີດຂຶ້ນໂດຍບັງເອີນ.
ໃນທາງປະຕິບັດ, ການທົດສອບຄວາມສຳຄັນບໍ່ໄດ້ "ພິສູດ" ວ່າທິດສະດີເປັນຄວາມຈິງ, ແຕ່ແທນທີ່ຈະໃຫ້ການວັດແທກວ່າຂໍ້ມູນປະຕິເສດຂໍ້ສົມມຸດສະເພາະໃດໜຶ່ງຢ່າງແຂງແຮງແນວໃດ. ນີ້ແມ່ນບ່ອນທີ່ມັນສຳຄັນທີ່ຈະເຂົ້າໃຈວ່າສະຖິຕິດຳເນີນງານພາຍໃນຂອບເຂດຂອງຄວາມບໍ່ແນ່ນອນ. ບໍ່ມີຄວາມແນ່ນອນຢ່າງແທ້ຈິງ, ແຕ່ແມ່ນລະດັບຄວາມໝັ້ນໃຈທີ່ໄດ້ຮັບການສະໜັບສະໜູນຈາກຂໍ້ມູນ.
ສົມມຸດຕິຖານທີ່ເປັນໂມຄະ ແລະ ສົມມຸດຕິຖານທາງເລືອກ
ການທົດສອບຄວາມສຳຄັນໂດຍທົ່ວໄປແມ່ນສ້າງຂຶ້ນບົນສອງຖະແຫຼງການຄື:
1. ສົມມຸດຕິຖານທີ່ເປັນໂມຄະ (H₀): ລະບຸວ່າບໍ່ມີຄວາມແຕກຕ່າງ, ບໍ່ມີຄວາມສຳພັນ, ຫຼື ບໍ່ມີອິດທິພົນ. ຕົວຢ່າງ: “ເກຣດສະເລ່ຍຂອງຊັ້ນ A ແມ່ນຄືກັນກັບຊັ້ນ B,” ຫຼື “ບໍ່ມີຄວາມສຳພັນລະຫວ່າງຊົ່ວໂມງຮຽນ ແລະ ຄະແນນສອບເສັງ.”
2. ສົມມຸດຕິຖານທາງເລືອກ (H₁ ຫຼື Hₐ): ລະບຸວ່າມີຄວາມແຕກຕ່າງ, ຄວາມສຳພັນ, ຫຼື ອິດທິພົນ. ຕົວຢ່າງ: “ເກຣດສະເລ່ຍຂອງຊັ້ນ A ແຕກຕ່າງຈາກຊັ້ນ B,” ຫຼື “ມີຄວາມສຳພັນລະຫວ່າງຊົ່ວໂມງຮຽນ ແລະ ຄະແນນສອບເສັງ.”
ການທົດສອບຄວາມສຳຄັນເຮັດວຽກໂດຍອີງໃສ່ສົມມຸດຕິຖານເບື້ອງຕົ້ນວ່າ H₀ ເປັນຄວາມຈິງ. ຫຼັງຈາກນັ້ນ, ຂໍ້ມູນຈະຖືກວິເຄາະເພື່ອເບິ່ງວ່າຜົນໄດ້ຮັບແມ່ນຫາຍາກຫຼາຍຖ້າ H₀ ເປັນຄວາມຈິງ. ຖ້າພວກມັນຫາຍາກ, ພວກເຮົາມັກຈະປະຕິເສດ H₀.
ຄ່າ p (p-value) ແລະ ຄວາມໝາຍຂອງມັນ
ແນວຄວາມຄິດຫຼັກໃນການທົດສອບຄວາມສຳຄັນແມ່ນຄ່າ p. ເວົ້າງ່າຍໆ, ຄ່າ p ແມ່ນຄວາມເປັນໄປໄດ້ທີ່ຈະໄດ້ຮັບຜົນໄດ້ຮັບຢ່າງໜ້ອຍສຸດເທົ່າທີ່ສັງເກດເຫັນໃນຂໍ້ມູນ, ໂດຍສົມມຸດຕິຖານທີ່ເປັນໂມຄະເປັນຄວາມຈິງ.
- ຖ້າ p ນ້ອຍ, ມັນໝາຍຄວາມວ່າຜົນໄດ້ຮັບທີ່ສັງເກດເຫັນບໍ່ຄ່ອຍຈະເກີດຂຶ້ນເມື່ອ H₀ ເປັນຄວາມຈິງ, ສະນັ້ນພວກເຮົາມີເຫດຜົນທີ່ຈະປະຕິເສດ H₀.
- ຖ້າ p ມີຄ່າຫຼາຍ, ມັນໝາຍຄວາມວ່າຜົນໄດ້ຮັບທີ່ສັງເກດເຫັນຍັງມີຄວາມເປັນໄປໄດ້ທີ່ຈະເກີດຂຶ້ນຖ້າ H₀ ເປັນຄວາມຈິງ, ສະນັ້ນພວກເຮົາບໍ່ມີຫຼັກຖານພຽງພໍທີ່ຈະປະຕິເສດ H₀.
ເຖິງຢ່າງໃດກໍ່ຕາມ, ຄ່າ p ມັກຈະຖືກເຂົ້າໃຈຜິດ. ຄ່າ p ບໍ່ແມ່ນຄວາມເປັນໄປໄດ້ທີ່ H₀ ເປັນຈິງ ຫຼື ຜິດ. ແລະ ມັນກໍ່ບໍ່ແມ່ນມາດຕະການຂອງຂະໜາດຂອງຜົນກະທົບ. ຄ່າ p ພຽງແຕ່ຊີ້ບອກເຖິງຄວາມເຂັ້ມແຂງຂອງຫຼັກຖານຕໍ່ຕ້ານ H₀ ພາຍໃນຂອບເຂດສະເພາະ.
ລະດັບຄວາມສຳຄັນ (α)
ເພື່ອຕັດສິນໃຈ, ນັກຄົ້ນຄວ້າໄດ້ກຳນົດລະດັບຄວາມສຳຄັນ, ເຊິ່ງສະແດງໂດຍ α (alpha). ຄ່າທີ່ນິຍົມໃຊ້ແມ່ນ 0,05 (5%) ຫຼື 0,01 (1%). ກົດລະບຽບແມ່ນ:
- ຖ້າ p ≤ α, ຜົນໄດ້ຮັບຈະຖືກກ່າວວ່າມີນัยສຳຄັນທາງສະຖິຕິ, ແລະ H₀ ຈະຖືກປະຕິເສດ.
- ຖ້າ p > α, ຜົນໄດ້ຮັບບໍ່ມີຄວາມໝາຍ, ແລະ H₀ ບໍ່ໄດ້ຖືກປະຕິເສດ.
ການເລືອກ α ບໍ່ແມ່ນການຕັດສິນໃຈທາງດ້ານເຕັກນິກຢ່າງດຽວ, ແຕ່ຍັງຕ້ອງຄຳນຶງເຖິງສະພາບການນຳດ້ວຍ. ຕົວຢ່າງ, ໃນການຄົ້ນຄວ້າທາງການແພດທີ່ກ່ຽວຂ້ອງກັບຄວາມປອດໄພຂອງຄົນເຈັບ, ນັກຄົ້ນຄວ້າອາດຈະເລືອກ α (0,01) ທີ່ເຂັ້ມງວດກວ່າເພື່ອຫຼຸດຜ່ອນຄວາມສ່ຽງຂອງການສະຫຼຸບທີ່ບໍ່ຖືກຕ້ອງ.
ຄວາມຜິດພາດປະເພດ I ແລະປະເພດ II
ເນື່ອງຈາກການທົດສອບທາງສະຖິຕິກ່ຽວຂ້ອງກັບການຕັດສິນໃຈພາຍໃຕ້ຄວາມບໍ່ແນ່ນອນ, ມັນມີຄວາມເປັນໄປໄດ້ທີ່ຈະເກີດຄວາມຜິດພາດໄດ້ສະເໝີ:
1. ຄວາມຜິດພາດປະເພດ I (ຜົນບວກທີ່ບໍ່ຖືກຕ້ອງ): ການປະຕິເສດ H₀ ເມື່ອ H₀ ເປັນຈິງ. ຄວາມເປັນໄປໄດ້ແມ່ນຖືກຄວບຄຸມໂດຍ α.
2. ຄວາມຜິດພາດປະເພດ II (ລົບທີ່ບໍ່ຖືກຕ້ອງ): ຄວາມລົ້ມເຫຼວໃນການປະຕິເສດ H₀ ເມື່ອ H₁ ເປັນຈິງ. ຄວາມເປັນໄປໄດ້ແມ່ນສະແດງໂດຍ β (beta); ສ່ວນກົງກັນຂ້າມເອີ້ນວ່າ ພະລັງງານ, ເຊິ່ງແມ່ນ 1 − β.
ໃນສະພາບການຕົວຈິງຂອງໂລກ, ຄວາມຜິດພາດທັງສອງປະເພດສາມາດມີຜົນສະທ້ອນທີ່ສຳຄັນ. ຕົວຢ່າງ, ການສົມມຸດວ່າຢາມີປະສິດທິພາບໃນເວລາທີ່ມັນບໍ່ມີປະສິດທິພາບ (ປະເພດ I) ສາມາດເປັນອັນຕະລາຍ, ໃນຂະນະທີ່ການສົມມຸດວ່າຢາບໍ່ມີປະສິດທິພາບໃນເວລາທີ່ມັນມີປະສິດທິພາບແທ້ໆ (ປະເພດ II) ສາມາດນຳໄປສູ່ການພາດໂອກາດໃນການປິ່ນປົວ.
ປະເພດທົ່ວໄປຂອງການທົດສອບຄວາມສຳຄັນ
ມີການທົດສອບຄວາມສຳຄັນຫຼາຍຢ່າງ, ແລະ ທາງເລືອກແມ່ນຂຶ້ນກັບຈຸດປະສົງ, ປະເພດຂໍ້ມູນ, ແລະ ສົມມຸດຕິຖານທີ່ຕອບສະໜອງ. ບາງອັນທີ່ນິຍົມໃຊ້ຫຼາຍທີ່ສຸດແມ່ນ:
- ການທົດສອບ T: ປຽບທຽບຄ່າສະເລ່ຍຂອງສອງກຸ່ມ (ຕົວຢ່າງ, ກຸ່ມທົດລອງ ທຽບກັບ ກຸ່ມຄວບຄຸມ). ມີການທົດສອບ t ແບບເອກະລາດ ແລະ ແບບຄູ່.
- ANOVA: ປຽບທຽບຄ່າສະເລ່ຍຂອງຫຼາຍກວ່າສອງກຸ່ມ (ຕົວຢ່າງ: ສາມວິທີການຮຽນຮູ້).
- ການທົດສອບ Chi-square: ທົດສອບຄວາມສຳພັນລະຫວ່າງຕົວແປທີ່ເປັນໝວດໝູ່ (ເຊັ່ນ: ເພດ ແລະ ການເລືອກວິຊາເອກ).
– ສະຫະສຳພັນ Pearson/Spearman: ທົດສອບຄວາມສຳພັນລະຫວ່າງສອງຕົວແປຕົວເລກ (Pearson ສຳລັບຂໍ້ມູນປົກກະຕິ, Spearman ສຳລັບຂໍ້ມູນລຳດັບ/ບໍ່ປົກກະຕິ).
- ການຖົດຖອຍເສັ້ນຊື່/ໂລຈິດສະຕິກ: ທົດສອບອິດທິພົນຂອງຕົວແປຄາດຄະເນໜຶ່ງ ຫຼື ຫຼາຍຕົວແປຕໍ່ຕົວແປຜົນໄດ້ຮັບ.
ທຸກໆການທົດສອບມີຂໍ້ສົມມຸດຕິຖານ, ເຊັ່ນ: ຄວາມປົກກະຕິ, ຄວາມສອດຄ່ອງຂອງຄວາມແปรປ່ວນ, ຫຼື ຄວາມເປັນເອກະລາດຂອງຂໍ້ມູນ. ການລະເມີດຂໍ້ສົມມຸດຕິຖານເຫຼົ່ານີ້ສາມາດນໍາໄປສູ່ຜົນການທົດສອບທີ່ເຂົ້າໃຈຜິດ, ສະນັ້ນການວິນິດໄສຂໍ້ມູນ ແລະ ການທົດສອບເບື້ອງຕົ້ນແມ່ນມີຄວາມຈໍາເປັນ.
ຄວາມສຳຄັນທາງສະຖິຕິ ທຽບກັບ ຄວາມສຳຄັນທາງປະຕິບັດ
ການວິພາກວິຈານໜຶ່ງກ່ຽວກັບການທົດສອບຄວາມສຳຄັນແມ່ນວ່ານັກຄົ້ນຄວ້າສຸມໃສ່ຫຼາຍເກີນໄປກ່ຽວກັບວ່າມັນ "ສຳຄັນ" ຫຼື "ບໍ່ສຳຄັນ" ໂດຍບໍ່ໄດ້ພິຈາລະນາເຖິງຜົນສະທ້ອນຕົວຈິງຂອງມັນ. ດ້ວຍຕົວຢ່າງຂະໜາດໃຫຍ່ຫຼາຍ, ຄວາມແຕກຕ່າງເລັກນ້ອຍສາມາດມີຄວາມໝາຍທາງສະຖິຕິ, ເຖິງແມ່ນວ່າຜົນກະທົບຂອງມັນแทบจะບໍ່ສັງເກດເຫັນ. ໃນທາງກົງກັນຂ້າມ, ດ້ວຍຕົວຢ່າງຂະໜາດນ້ອຍ, ຜົນກະທົບທີ່ສຳຄັນແທ້ໆອາດຈະບໍ່ບັນລຸຄວາມໝາຍໄດ້ເນື່ອງຈາກພະລັງງານບໍ່ພຽງພໍ.
ດັ່ງນັ້ນ, ການທົດສອບຄວາມສຳຄັນຄວນຈະມາພ້ອມກັບ:
- ຂະໜາດຜົນກະທົບເຊັ່ນ: ອັດຕາສ່ວນ d ຂອງ Cohen, eta-squared, ຫຼື ອັດຕາສ່ວນ odds.
- ໄລຍະຄວາມເຊື່ອໝັ້ນເພື່ອສະແດງຂອບເຂດຂອງຄ່າພາລາມິເຕີທີ່ສົມເຫດສົມຜົນ.
ການລວມກັນຂອງຄ່າ p, ຂະໜາດຜົນກະທົບ, ແລະ ຊ່ວງຄວາມໝັ້ນໃຈໃຫ້ພາບທີ່ສົມບູນກວ່າ: ບໍ່ພຽງແຕ່ "ມີຜົນກະທົບຫຼືບໍ່ມີຜົນກະທົບ," ແຕ່ "ຜົນກະທົບມີຂະໜາດໃຫຍ່ປານໃດ ແລະ ພວກເຮົາສາມາດແນ່ໃຈໄດ້ແນວໃດກ່ຽວກັບການຄາດຄະເນນັ້ນ."
ຂັ້ນຕອນທົ່ວໄປສຳລັບການດຳເນີນການທົດສອບຄວາມສຳຄັນ
ໂດຍທົ່ວໄປ, ຂັ້ນຕອນແມ່ນ:
1. ສູດ H₀ ແລະ H₁ ຕາມຄຳຖາມການຄົ້ນຄວ້າ.
2. ກຳນົດ α (ຕົວຢ່າງ: 0,05).
3. ເລືອກການທົດສອບທີ່ເໝາະສົມຕາມປະເພດຂໍ້ມູນ ແລະ ການອອກແບບການຄົ້ນຄວ້າ.
4. ກວດສອບສົມມຸດຕິຖານການທົດສອບ (ຄວາມປົກກະຕິ, ຄວາມແปรປ່ວນ, ຄວາມເປັນເອກະລາດ, ແລະອື່ນໆ).
5. ຄິດໄລ່ສະຖິຕິການທົດສອບ ແລະ ໄດ້ຮັບຄ່າ p.
6. ປຽບທຽບຄ່າ p ກັບ α ແລະ ສະຫຼຸບຜົນໄດ້.
7. ລາຍງານຜົນໄດ້ຮັບຢ່າງຄົບຖ້ວນ, ລວມທັງຂະໜາດຜົນກະທົບ ແລະ ໄລຍະຄວາມເຊື່ອໝັ້ນຖ້າເປັນໄປໄດ້.
ການລາຍງານທີ່ດີຍັງປະກອບມີສະພາບການ, ເຊັ່ນ: ລັກສະນະຕົວຢ່າງ, ວິທີການວັດແທກ, ແລະ ອະຄະຕິທີ່ອາດເກີດຂຶ້ນ.
Penutup
ການທົດສອບຄວາມໝາຍທາງສະຖິຕິແມ່ນເຄື່ອງມືທີ່ສຳຄັນສຳລັບການປະເມີນວ່າການຄົ້ນພົບຂໍ້ມູນອາດຈະສະທ້ອນເຖິງສະພາບປະຊາກອນ ຫຼື ເປັນພຽງຜົນມາຈາກການປ່ຽນແປງແບບສຸ່ມ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ການທົດສອບເຫຼົ່ານີ້ບໍ່ແມ່ນຕົວຕັດສິນຄວາມຈິງທາງວິທະຍາສາດພຽງຢ່າງດຽວ. ຄ່າ p ຕ້ອງໄດ້ເຂົ້າໃຈຢ່າງຊັດເຈນ, ບວກກັບຂະໜາດຜົນກະທົບ, ຊ່ວງຄວາມໝັ້ນໃຈ, ແລະ ການປະເມີນສະພາບການກ່ຽວກັບຄວາມກ່ຽວຂ້ອງຂອງຜົນໄດ້ຮັບ.
ເມື່ອນຳໃຊ້ຢ່າງຖືກຕ້ອງ, ການທົດສອບຄວາມສຳຄັນຈະຊ່ວຍໃຫ້ການຄົ້ນຄວ້າມີຄວາມເປັນກາງ ແລະ ມີຄວາມຮັບຜິດຊອບຫຼາຍຂຶ້ນ. ໃນທາງກົງກັນຂ້າມ, ຖ້ານຳໃຊ້ແບບກົນຈັກໂດຍບໍ່ເຂົ້າໃຈສົມມຸດຕິຖານ ແລະ ຂໍ້ຈຳກັດຂອງມັນ, ພວກມັນສາມາດນຳໄປສູ່ການສະຫຼຸບທີ່ຜິດພາດ. ດັ່ງນັ້ນ, ຄວາມເຂົ້າໃຈດ້ານແນວຄິດ, ການຕີຄວາມທີ່ຄິດຢ່າງລະອຽດ ແລະ ການລາຍງານທີ່ໂປ່ງໃສແມ່ນກຸນແຈສຳຄັນໃນການນຳໃຊ້ການທົດສອບຄວາມສຳຄັນເພື່ອສະໜັບສະໜູນການຕັດສິນໃຈທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ.
