എന്താണ് നൾ ആൻഡ് ആൾട്ടർനേറ്റീവ് സിദ്ധാന്തം?

എന്താണ് നൾ ആൻഡ് ആൾട്ടർനേറ്റീവ് സിദ്ധാന്തം

സ്ഥിതിവിവരക്കണക്കുകളിലും ഗവേഷണ രീതികളിലും, ഗവേഷകർ ഡാറ്റ ഉപയോഗിച്ച് ഒരു സിദ്ധാന്തം പരീക്ഷിക്കാൻ ആഗ്രഹിക്കുമ്പോൾ പലപ്പോഴും ഉയർന്നുവരുന്ന രണ്ട് അടിസ്ഥാന ആശയങ്ങളാണ് നൾ ഹൈപ്പോതെസിസ് (H0), ആൾട്ടർനേറ്റീവ് ഹൈപ്പോതെസിസ് (H1 അല്ലെങ്കിൽ Ha) എന്നിവ. ഒരു സാമ്പിളിൽ നിന്നുള്ള തെളിവുകൾ ഒരു ജനസംഖ്യയെക്കുറിച്ചുള്ള ഒരു അവകാശവാദത്തെ പിന്തുണയ്ക്കാൻ പര്യാപ്തമാണോ എന്ന് നിർണ്ണയിക്കുന്നതിനുള്ള ഒരു നടപടിക്രമമായ ഹൈപ്പോതെസിസ് ടെസ്റ്റിംഗിന്റെ അടിത്തറയാണ് അവ. ഇത് സാങ്കേതികമായി തോന്നാമെങ്കിലും, അടിസ്ഥാന ആശയം യഥാർത്ഥത്തിൽ ലളിതമാണ്: ഞങ്ങൾ രണ്ട് വിപരീത പ്രസ്താവനകൾ നടത്തുന്നു, തുടർന്ന് ഏതാണ് കൂടുതൽ വിശ്വസനീയമെന്ന് നിർണ്ണയിക്കാൻ ഡാറ്റ ഉപയോഗിക്കുന്നു.

ഗവേഷണത്തിലെ പരികല്പന മനസ്സിലാക്കൽ

പൊതുവേ, ഒരു സിദ്ധാന്തം എന്നത് സത്യത്തിനായി പരീക്ഷിക്കാവുന്ന ഒരു താൽക്കാലിക അനുമാനമോ പ്രസ്താവനയോ ആണ്. അളവ് ഗവേഷണത്തിൽ, സിദ്ധാന്തങ്ങൾ സാധാരണയായി വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധങ്ങളുടെ രൂപത്തിലോ ഗ്രൂപ്പുകൾ തമ്മിലുള്ള വ്യത്യാസങ്ങളുടെ രൂപത്തിലോ രൂപപ്പെടുത്തുന്നു. ഉദാഹരണത്തിന്: "പഠന രീതി A പഠന രീതി B യെക്കാൾ ഫലപ്രദമാണ്" അല്ലെങ്കിൽ "ഉറക്ക ദൈർഘ്യവും ഏകാഗ്രതാ നിലകളും തമ്മിൽ ഒരു ബന്ധമുണ്ട്."

എന്നിരുന്നാലും, ഈ സിദ്ധാന്തങ്ങളെ സ്ഥിതിവിവര വിശകലനത്തിന്റെ മണ്ഡലത്തിലേക്ക് കൊണ്ടുവരുമ്പോൾ , അവയെ സാധാരണയായി രണ്ട് ജോഡികളായി വിഭജിക്കുന്നു: ശൂന്യ സിദ്ധാന്തവും ബദൽ സിദ്ധാന്തവും.

ശൂന്യ സിദ്ധാന്തം (H0) എന്താണ്?

ശൂന്യ സിദ്ധാന്തം (H0) എന്നത് പൊതുവെ വ്യത്യാസമോ ഫലമോ ബന്ധമോ ഇല്ലെന്ന് പ്രസ്താവിക്കുന്ന ഒരു പ്രസ്താവനയാണ്. H0 പലപ്പോഴും "സ്ഥിരസ്ഥിതി" അല്ലെങ്കിൽ "നിലവിലുള്ള അവസ്ഥ" ആയി കണക്കാക്കപ്പെടുന്നു. സ്ഥിതിവിവരക്കണക്ക് പരിശോധനകളിൽ , ഗവേഷകർ സാധാരണയായി H0 ശരിയാണെന്ന അനുമാനത്തോടെ ആരംഭിക്കുകയും പിന്നീട് അത് നിരസിക്കുന്നതിന് ഡാറ്റയിൽ നിന്ന് തെളിവുകൾ തേടുകയും ചെയ്യുന്നു.

ശൂന്യ സിദ്ധാന്തത്തിന്റെ പൊതു സവിശേഷതകൾ:
1. ഒരു ഫലമോ വ്യത്യാസമോ ഇല്ലെന്ന് പ്രസ്താവിക്കുന്നു.
2. പരിശോധനയിൽ ഒരു പ്രാരംഭ റഫറൻസായി മാറുക.
3. സ്റ്റാറ്റിസ്റ്റിക്കൽ പരിശോധനകളുടെ ഫലങ്ങളുടെ അടിസ്ഥാനത്തിൽ നിരസിക്കപ്പെട്ടു അല്ലെങ്കിൽ നിരസിക്കപ്പെടുന്നതിൽ പരാജയപ്പെട്ടു.

ശൂന്യ സിദ്ധാന്തത്തിന്റെ ഉദാഹരണം:
– "എ രീതിയും ബി രീതിയും ഉപയോഗിക്കുന്ന ക്ലാസുകൾക്കിടയിൽ ശരാശരി ഗ്രേഡുകളിൽ വ്യത്യാസമില്ല."
– “പഠന സമയങ്ങളുടെ എണ്ണവും പരീക്ഷാ സ്കോറുകളും തമ്മിൽ യാതൊരു ബന്ധവുമില്ല.”
- "വിദ്യാർത്ഥികളുടെ ശരാശരി ഉയരം 165 സെന്റിമീറ്ററാണ്."

സ്റ്റാറ്റിസ്റ്റിക്കൽ നൊട്ടേഷനിൽ, ശൂന്യ സിദ്ധാന്തത്തിൽ പലപ്പോഴും = ചിഹ്നം ഉൾപ്പെടുന്നു, ഉദാഹരണത്തിന് μ = 165 അല്ലെങ്കിൽ p = 0,5. തുല്യ ചിഹ്നം പ്രധാനമാണ്, കാരണം H0 സാധാരണയായി പോപ്പുലേഷൻ പാരാമീറ്റർ ഒരു നിശ്ചിത മൂല്യത്തിലാണെന്ന് പ്രസ്താവിക്കുന്നു.

ബദൽ സിദ്ധാന്തം (H1/Ha) എന്താണ്?

ബദൽ സിദ്ധാന്തം (H1 അല്ലെങ്കിൽ Ha) ശൂന്യ സിദ്ധാന്തത്തിന് വിരുദ്ധമായ ഒരു പ്രസ്താവനയാണ്. H1 ഒരു വ്യത്യാസമോ, ഫലമോ, ബന്ധമോ ഉണ്ടെന്ന് പ്രസ്താവിക്കുന്നു. H0 നിരസിക്കപ്പെട്ടാൽ, ഗവേഷകന് H1-നുള്ള പിന്തുണ ലഭിക്കുന്നു (സാങ്കേതികമായി, ഇത് H0-നെ നിരസിക്കുകയാണ്, H1-നെ നിർണ്ണായകമായി "തെളിയിക്കുന്നില്ല").

ഇതര സിദ്ധാന്തങ്ങളുടെ പൊതു സവിശേഷതകൾ:
1. ഒരു ഫലത്തിന്റെയോ വ്യത്യാസത്തിന്റെയോ ബന്ധത്തിന്റെയോ അസ്തിത്വം പ്രസ്താവിക്കുക.
2. ഗവേഷകർ പിന്തുണയ്ക്കാൻ ആഗ്രഹിക്കുന്ന പ്രധാന ലക്ഷ്യമായി മാറുക.
3. H0 നിരസിക്കപ്പെടുമ്പോൾ പരോക്ഷമായി അംഗീകരിക്കപ്പെടുന്നു.

ഇതര സിദ്ധാന്തങ്ങളുടെ ഉദാഹരണങ്ങൾ:
– "ക്ലാസ് രീതി A യും രീതി B യും തമ്മിലുള്ള ശരാശരി മൂല്യത്തിൽ വ്യത്യാസമുണ്ട്."
– “പഠന സമയങ്ങളുടെ എണ്ണവും പരീക്ഷാ സ്കോറുകളും തമ്മിൽ ഒരു ബന്ധമുണ്ട്.”
- "വിദ്യാർത്ഥികളുടെ ശരാശരി ഉയരം 165 സെന്റിമീറ്ററിന് തുല്യമല്ല."

നൊട്ടേഷനിൽ, H1 പലപ്പോഴും ≠, >, അല്ലെങ്കിൽ പരീക്ഷണ തരം അനുസരിച്ച് ചിഹ്നം ഉപയോഗിക്കുന്നു. H0 ഉം H1 ഉം തമ്മിലുള്ള ബന്ധം: പരസ്പരവിരുദ്ധമായ പ്രസ്താവനകളുടെ ഒരു ജോഡി. H0 ഉം H1 ഉം പരസ്പരവിരുദ്ധമായിരിക്കണം, അതായത് അവ ഒരേസമയം സത്യമാകാൻ കഴിയില്ല. H0 "ഒരു വ്യത്യാസവുമില്ല" എന്ന് പ്രസ്താവിച്ചാൽ H1 "ഒരു വ്യത്യാസമുണ്ട്" എന്ന് പ്രസ്താവിക്കുന്നു. ഗവേഷകർക്ക് വ്യക്തമായ ഒരു തീരുമാനം എടുക്കാൻ കഴിയുന്ന തരത്തിൽ ഈ ജോടിയാക്കൽ മനഃപൂർവ്വം സൃഷ്ടിച്ചതാണ്. ഡാറ്റയെ അടിസ്ഥാനമാക്കി. ഉദാഹരണത്തിന്, ഒരു പുതിയ മരുന്ന് രക്തസമ്മർദ്ദം കുറയ്ക്കുമോ എന്ന് ഒരു ഗവേഷകന് അറിയണമെങ്കിൽ: – H0: പുതിയ മരുന്ന് രക്തസമ്മർദ്ദം കുറയ്ക്കുന്നില്ല (അല്ലെങ്കിൽ കുറയ്ക്കൽ പഴയ മരുന്നിന് തുല്യമാണ്). – H1: പുതിയ മരുന്ന് രക്തസമ്മർദ്ദം കുറയ്ക്കുന്നു (കൂടുതൽ ഫലപ്രദമായി). പരീക്ഷണത്തിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച്, H0 നിരസിക്കാൻ തെളിവുകൾ ശക്തമാണോ എന്ന് കാണാൻ ഗവേഷകൻ ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ പരിശോധന നടത്തുന്നു. ഇതര സിദ്ധാന്തങ്ങളുടെ തരങ്ങൾ: ഒരു വാലുള്ളതും രണ്ട് വാലുള്ളതും ഇതര സിദ്ധാന്തങ്ങൾ രണ്ട് വാലുള്ളതോ ഒറ്റ വാലുള്ളതോ ആകാം. 1. രണ്ട് വാലുള്ള പരിശോധന – H1 വലുതാണോ കുറവാണോ എന്ന് വ്യക്തമാക്കാതെ “വ്യത്യസ്തമാണ്” എന്ന് പ്രസ്താവിക്കുന്നു. – ഉദാഹരണം: – H0: μ = 165 – H1: μ ≠ 165 ദിശ വ്യക്തമാക്കാതെ, വ്യത്യാസമുണ്ടോ എന്ന് മാത്രം അറിയാൻ ഗവേഷകന് താൽപ്പര്യമുണ്ടെങ്കിൽ ഈ പരിശോധന ഉപയോഗിക്കുന്നു. 2. ഒരു വാലുള്ള പരിശോധന – H1 വ്യത്യാസത്തിന്റെ ദിശ പ്രസ്താവിക്കുന്നു: വലുതോ കുറവോ. – ഉദാഹരണം: – H0: μ ≤ 165 – H1: μ > 165
അല്ലെങ്കിൽ
– H0: μ ≥ 165
– H1: μ < 165
മുൻ സിദ്ധാന്തങ്ങളുടെയോ പഠനങ്ങളുടെയോ അടിസ്ഥാനത്തിൽ ദിശയെക്കുറിച്ച് ഗവേഷകന് ഇതിനകം ഒരു അനുമാനം ഉണ്ടെങ്കിൽ ഈ പരിശോധന ഉപയോഗിക്കുന്നു.

വൺ-ടെയിൽഡ് അല്ലെങ്കിൽ ടു-ടെയിൽഡ് ടെസ്റ്റ് തിരഞ്ഞെടുക്കുന്നത് പ്രധാനമാണ്, കാരണം അത് നിരസിക്കൽ മേഖല എങ്ങനെ നിർണ്ണയിക്കപ്പെടുന്നു എന്നതിനെയും ഫലങ്ങളുടെ വ്യാഖ്യാനത്തെയും ബാധിക്കുന്നു.

ഒരു തീരുമാനമെടുക്കുന്നതെങ്ങനെ: H0 നിരസിക്കുക അല്ലെങ്കിൽ നിരസിക്കുന്നതിൽ പരാജയപ്പെടുക

ദലം സിദ്ധാന്ത പരിശോധന, സാധാരണയായി എടുക്കുന്ന തീരുമാനങ്ങൾ ഇവയാണ്:
– H0 നിരസിക്കുക: ഫലങ്ങൾ H0 ന് അനുസൃതമല്ലെന്ന് പ്രസ്താവിക്കാൻ ഡാറ്റ ശക്തമായ തെളിവുകൾ നൽകുന്നു.
– H0 നിരസിക്കുന്നതിൽ പരാജയപ്പെട്ടു: ഡാറ്റ H0 നിരസിക്കാൻ പര്യാപ്തമല്ല (H0 ശരിയാണെന്ന് തെളിയിക്കപ്പെട്ടിട്ടില്ല).

സാമ്പിൾ അടിസ്ഥാനമാക്കിയുള്ള ഗവേഷണത്തിൽ എപ്പോഴും അനിശ്ചിതത്വം ഉൾപ്പെടുന്നതിനാലാണ് "നിരസിക്കാനുള്ള പരാജയം" എന്ന പദം ഉപയോഗിക്കുന്നത്. നമുക്ക് അപൂർവ്വമായി മാത്രമേ പൂർണ്ണമായ ഉറപ്പോടെ എന്തെങ്കിലും "തെളിയിക്കാൻ" കഴിയൂ; ലഭ്യമായ തെളിവുകളുടെ ശക്തി വിലയിരുത്തുക മാത്രമാണ് നമുക്ക് ചെയ്യാൻ കഴിയുന്നത്.

ഒരു ജനപ്രിയ തീരുമാന സഹായിയാണ് p- മൂല്യം:
– p-മൂല്യം < α (ഉദാഹരണത്തിന് α = 0,05) ആണെങ്കിൽ, H0 നിരസിക്കപ്പെടും.
– p-മൂല്യം ≥ α ആണെങ്കിൽ, H0 നിരസിക്കാൻ കഴിയില്ല.

ഇവിടെ α എന്നത് പ്രാധാന്യ നിലയാണ്, അതായത് H0 നിരസിക്കുമ്പോൾ ഒരു പിശക് സംഭവിക്കാനുള്ള സാധ്യതയെക്കുറിച്ചുള്ള ഗവേഷകന്റെ സഹിഷ്ണുതയുടെ പരിധി.

ഹൈപ്പോതെസിസ് ടെസ്റ്റിംഗിലെ പിശകുകൾ : ടൈപ്പ് I ഉം ടൈപ്പ് II ഉം

സ്ഥിതിവിവരക്കണക്ക് തീരുമാനങ്ങൾ എല്ലായ്പ്പോഴും ശരിയായിരിക്കില്ല എന്നതിനാൽ, രണ്ട് തരം പിശകുകൾ തിരിച്ചറിയപ്പെടുന്നു:

1. ടൈപ്പ് I പിശക് (α)
– H0 സത്യമാണെങ്കിലും H0 നിരസിക്കുക.
– ഉദാഹരണം: ഒരു മരുന്ന് ഫലപ്രദമല്ലാതിരിക്കെ, അത് ഫലപ്രദമാണെന്ന് നിഗമനം ചെയ്യുക.

2. ടൈപ്പ് II പിശക് (β)
– H0 തെറ്റാണെങ്കിലും H0 നിരസിക്കുന്നതിൽ പരാജയപ്പെട്ടു.
– ഉദാഹരണം: ഒരു മരുന്ന് യഥാർത്ഥത്തിൽ ഫലപ്രദമാകുമ്പോൾ അത് ഫലപ്രദമല്ലെന്ന് നിഗമനം ചെയ്യുക.

ഗവേഷകർ സാധാരണയായി ടൈപ്പ് I പിശകിന്റെ അപകടസാധ്യത α വഴിയാണ് നിയന്ത്രിക്കുന്നത് (ഉദാ. 0,05). അതേസമയം, ടൈപ്പ് II പിശകിന്റെ അപകടസാധ്യത പഠനത്തിന്റെ ശക്തി, സാമ്പിൾ വലുപ്പം, ഡാറ്റ വേരിയബിളിറ്റി എന്നിവയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.

ദൈനംദിന ജീവിതത്തിലെ ലളിതമായ ഉദാഹരണങ്ങൾ

ഒരു പ്രൊഡക്ഷൻ ടീം മെഷീനുകൾ മാറ്റിയതിനുശേഷം ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നുണ്ടോ എന്ന് പരീക്ഷിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെന്ന് സങ്കൽപ്പിക്കുക.

– H0: മെഷീൻ മാറ്റിസ്ഥാപിക്കൽ ഉൽപ്പന്നത്തിന്റെ ശരാശരി ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നില്ല.
– H1: മെഷീൻ മാറ്റിസ്ഥാപിക്കൽ ഉൽപ്പന്നങ്ങളുടെ ശരാശരി ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു.

മെഷീൻ മാറ്റത്തിന് മുമ്പും ശേഷവുമുള്ള ഉൽ‌പാദന വൈകല്യങ്ങളെക്കുറിച്ചുള്ള ഡാറ്റ നിങ്ങൾ ശേഖരിക്കുന്നു . വിശകലനം ഒരു പ്രധാന വ്യത്യാസം കാണിക്കുകയാണെങ്കിൽ (ഉദാഹരണത്തിന്, വൈകല്യങ്ങളിലെ കുറവും p-മൂല്യവും <0,05), നിങ്ങൾ H0 നിരസിക്കുകയും പുതിയ മെഷീൻ സഹായിച്ചു എന്ന വിശ്വാസത്തെ പിന്തുണയ്ക്കുകയും ചെയ്യുന്നു.

പെനുട്ടപ്പ്

സ്ഥിതിവിവരക്കണക്കുകളിലെ പരികല്പന പരിശോധനയുടെ കാതൽ നൾ, ആൾട്ടർനേറ്റീവ് സിദ്ധാന്തങ്ങളാണ്. നൾ ഹൈപ്പോതെസിസ് (H0) സാധാരണയായി ഒരു ഫലമോ വ്യത്യാസമോ ഇല്ലെന്ന് പ്രസ്താവിക്കുന്നു, അതേസമയം ആൾട്ടർനേറ്റീവ് ഹൈപ്പോതെസിസ് (H1/Ha) ഒരു ഫലമോ വ്യത്യാസമോ ഉണ്ടെന്ന് പ്രസ്താവിക്കുന്നു. ഡാറ്റ ഉപയോഗിച്ച്, ഗവേഷകർ തെളിവുകൾ H0 നിരസിക്കാൻ പര്യാപ്തമാണോ എന്ന് പരിശോധിക്കുന്നു. ഈ ആശയങ്ങൾ മനസ്സിലാക്കുന്നത് ഗവേഷണ ഫലങ്ങൾ കൂടുതൽ വിമർശനാത്മകമായി വായിക്കാനും മികച്ച പരീക്ഷണങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും കൂടുതൽ യുക്തിസഹവും ഡാറ്റാധിഷ്ഠിതവുമായ തീരുമാനങ്ങൾ എടുക്കാനും നമ്മെ സഹായിക്കുന്നു.

നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ, നിങ്ങളുടെ ഗവേഷണ വിഷയത്തിനനുസരിച്ച് (ഉദാ: വിദ്യാഭ്യാസം, ആരോഗ്യം, ബിസിനസ്സ്) നൾ, ആൾട്ടർനേറ്റീവ് സിദ്ധാന്തങ്ങളുടെ ഉദാഹരണങ്ങൾ സൃഷ്ടിക്കാൻ എനിക്ക് നിങ്ങളെ സഹായിക്കാനാകും, ഉചിതമായ തരത്തിലുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ പരിശോധനയോടെ പൂർത്തിയാക്കുക.