Статистикийн ач холбогдлын тест
Тоон судалгаанд хамгийн түгээмэл асуултуудын нэг бол: өгөгдөлд ажиглагдсан ялгаа эсвэл хамаарал үнэхээр "бодит" уу, эсвэл тэдгээр нь санамсаргүй хэлбэлзлээс үүдэлтэй давхцал уу? Үүнд хариулахын тулд судлаачид статистикийн ач холбогдлын тестийг ашигладаг. Эдгээр тестүүд нь түүврээс гаргаж авсан үр дүн нь тодорхой магадлалын хүрээнд үндэслэн хүн амд ерөнхийлөн тайлбарлахад хангалттай хүчтэй эсэхийг тодорхойлоход тусалдаг. Нэр томьёо нь техникийн мэт сонсогдож болох ч үндсэн ойлголт нь энгийн: бид ажигласан зүйлээ ямар ч нөлөө байхгүй байсан бол юу болох байсантай харьцуулдаг.
Тодорхойлолт ба зорилго
Статистикийн ач холбогдлын тест гэдэг нь популяцийн талаарх мэдэгдэл (таамаглал)-ын өгөгдлөөс нотлох баримтыг үнэлэхэд ашигладаг албан ёсны журам юм. Үүний үндсэн зорилго нь үр нөлөө - жишээлбэл, хоёр бүлгийн дундажийн зөрүү, хоёр хувьсагчийн хоорондын хамаарал, эсвэл эмчилгээний үр нөлөө - санамсаргүй байдлаар гарах магадлал багатай том бөгөөд тогтвортой эсэхийг тодорхойлох явдал юм.
Практикт ач холбогдлын тестүүд нь онолыг үнэн гэдгийг "батлах" биш, харин өгөгдөл нь тодорхой таамаглалыг хэр хүчтэй няцааж байгааг хэмжих хэмжүүрийг өгдөг. Статистик нь тодорхойгүй байдлын хүрээнд ажилладаг гэдгийг ойлгох нь чухал юм. Туйлын тодорхой байдал гэж байдаггүй, харин өгөгдөлөөр баталгаажсан тодорхой хэмжээний итгэлцэл байдаг.
Тэг таамаглал ба өөр таамаглал
Ач холбогдлын тестийг ерөнхийдөө хоёр мэдэгдэл дээр үндэслэдэг:
1. Тэг таамаглал (H₀): ямар ч ялгаа, хамаарал, нөлөө байхгүй гэж үздэг. Жишээлбэл: “А ангийн дундаж дүн нь В ангийнхтай ижил байна” эсвэл “Сургалтын цаг болон шалгалтын онооны хооронд ямар ч хамаарал байхгүй.”
2. Өөр таамаглал (H₁ эсвэл Hₐ): ялгаа, хамаарал эсвэл нөлөө байгаа гэж үздэг. Жишээлбэл: “А ангийн дундаж дүн нь В ангиллаас өөр байна” эсвэл “Сургалтын цаг болон шалгалтын онооны хооронд хамаарал байна.”
Ач холбогдлын тестүүд нь H₀ үнэн гэсэн анхны таамаглал дээр суурилдаг. Дараа нь, H₀ үнэн бол үр дүн нь маш ховор эсэхийг харахын тулд өгөгдлийг шинжилдэг. Хэрэв тэдгээр нь ховор байвал бид H₀-г няцаах хандлагатай байдаг.
p утга (p-утга) ба түүний утга
Ач холбогдлын тестийн гол ойлголт бол p-утга юм. Энгийнээр хэлбэл, p-утга нь тэг таамаглал үнэн гэж үзвэл өгөгдөлд ажиглагдсан үр дүнгээс дор хаяж хамгийн их үр дүнд хүрэх магадлал юм.
– Хэрэв p нь бага бол H₀ үнэн байхад ажиглагдсан үр дүн ховор тохиолддог гэсэн үг тул бидэнд H₀-г няцаах шалтгаан бий.
– Хэрэв p нь том бол H₀ үнэн бол ажиглагдсан үр дүн гарах магадлалтай хэвээр байна гэсэн үг тул бидэнд H₀-г няцаах хангалттай нотолгоо байхгүй байна.
Гэсэн хэдий ч p-утгыг ихэвчлэн буруу ойлгодог. p-утга нь H₀ үнэн эсвэл худал байх магадлал биш юм. Энэ нь нөлөөллийн цар хүрээний хэмжүүр ч биш юм. p-утга нь тодорхой хүрээнд H₀-ийн эсрэг нотлох баримтын бат бөх чанарыг илтгэнэ.
Ач холбогдлын түвшин (α)
Шийдвэр гаргахын тулд судлаачид α (альфа)-аар тэмдэглэсэн ач холбогдлын түвшинг тогтоодог. Түгээмэл хэрэглэгддэг утга нь 0,05 (5%) эсвэл 0,01 (1%). Дүрэм нь:
– Хэрэв p ≤ α бол үр дүнг статистикийн хувьд ач холбогдолтой гэж үзэх бөгөөд H₀-г няцаана.
– Хэрэв p > α бол үр дүн нь ач холбогдолгүй бөгөөд H₀-г няцаахгүй.
α-г сонгох нь зөвхөн техникийн шийдвэр биш бөгөөд нөхцөл байдлыг харгалзан үздэг. Жишээлбэл, өвчтөний аюулгүй байдалтай холбоотой анагаах ухааны судалгаанд судлаачид буруу дүгнэлт гаргах эрсдэлийг бууруулахын тулд илүү хатуу α (0,01)-г сонгож болно.
I ба II төрлийн алдаанууд
Статистикийн туршилтууд нь тодорхойгүй байдлын үед шийдвэр гаргахтай холбоотой байдаг тул алдаа гарах магадлал үргэлж байдаг:
1. I хэлбэрийн алдаа (худал эерэг): H₀ үнэн байхад H₀-г няцаах. Магадлалыг α хянадаг.
2. II хэлбэрийн алдаа (худал сөрөг): H₁ үнэн байхад H₀-г няцааж чадахгүй байх. Магадлалыг β (бета) гэж тэмдэглэнэ; урвууг зэрэг гэж нэрлэдэг бөгөөд энэ нь 1 − β юм.
Бодит амьдрал дээр хоёр төрлийн алдаа хоёулаа ноцтой үр дагаварт хүргэж болзошгүй. Жишээлбэл, эмийг үр дүнгүй байхад нь үр дүнтэй гэж үзэх нь (I төрөл) хортой байж болох бол эмийг үр дүнтэй байхад нь үр дүнгүй гэж үзэх нь (II төрөл) эмчилгээний боломжуудыг алдахад хүргэж болзошгүй.
Ач холбогдлын тестийн нийтлэг төрлүүд
Ач холбогдлын олон тест байдаг бөгөөд сонголт нь зорилго, өгөгдлийн төрөл, таамаглалаас хамаарна. Хамгийн түгээмэл хэрэглэгддэг зарим нь:
– Т-тест: хоёр бүлгийн дундаж утгыг харьцуулдаг (жишээ нь, туршилтын болон хяналтын). Бие даасан болон хосолсон t-тестийн хувилбарууд байдаг.
– ANOVA: хоёроос дээш бүлгийн дундажийг харьцуулдаг (жишээ нь гурван сургалтын арга).
– Хи-квадрат тест: ангиллын хувьсагчдын хоорондын хамаарлыг шалгадаг (жишээ нь хүйс болон мэргэжлийн сонголт).
– Пирсон/Спирманы корреляци: хоёр тоон хувьсагчийн хоорондын хамаарлыг шалгана (хэвийн өгөгдлийн хувьд Пирсон, дэс дарааллын/хэвийн бус өгөгдлийн хувьд Спирман).
– Шугаман/логистик регресс: үр дүнгийн хувьсагчид нэг буюу хэд хэдэн таамаглагч хувьсагчийн нөлөөллийг шалгадаг.
Тест бүр хэвийн байдал, дисперсийн нэгэн төрлийн байдал, эсвэл өгөгдлийн бие даасан байдал гэх мэт таамаглалтай байдаг. Эдгээр таамаглалыг зөрчих нь төөрөгдүүлсэн тестийн үр дүнд хүргэж болзошгүй тул өгөгдлийн оношлогоо, урьдчилсан нөхцөлийн тестүүд зайлшгүй шаардлагатай.
Статистикийн ач холбогдол ба практик ач холбогдол
Ач холбогдлын тестийн нэг шүүмжлэл бол судлаачид практик үр дагаврыг нь харгалзан үзэлгүйгээр "чухал" эсвэл "ач холбогдолгүй" эсэхэд хэт их анхаарал хандуулдаг явдал юм. Маш том түүврийн хувьд бага зэргийн ялгаа нь статистикийн хувьд ач холбогдолтой байж болох ч нөлөө нь бараг мэдэгдэхүйц биш байж болно. Үүний эсрэгээр, жижиг түүврийн хувьд үнэндээ нэлээд чухал нөлөө нь хангалтгүй хүчнээс болж ач холбогдолд хүрч чадахгүй байж болно.
Тиймээс ач холбогдлын тестийг үргэлж дараах зүйлстэй хамт хийх ёстой.
– Коэний d, eta-squared, эсвэл магадлалын харьцаа зэрэг нөлөөллийн хэмжээ.
– Боломжийн параметрийн утгуудын хүрээг харуулах итгэлийн интервал.
p-утга, нөлөөллийн хэмжээ, итгэлцлийн интервалын хослол нь илүү бүрэн дүр зургийг өгдөг: зөвхөн "нөлөө байгаа эсэх" төдийгүй "нөлөө хэр том, бид энэ тооцооллын талаар хэр итгэлтэй байж чадах вэ".
Ач холбогдлын тест хийх ерөнхий алхамууд
Ерөнхийдөө журам нь:
1. Судалгааны асуултуудын дагуу H₀ болон H₁-г томъёол.
2. α-г тодорхойл (жишээ нь 0,05).
3. Өгөгдлийн төрөл болон судалгааны загвараас хамааран зөв тестийг сонгоно уу.
4. Тестийн таамаглалыг шалгах (хэвийн байдал, дисперс, хамааралгүй байдал гэх мэт).
5. Туршилтын статистикийг тооцоолж, p-утгыг гарга.
6. p-утгыг α-тай харьцуулж, дүгнэлт гарга.
7. Боломжтой бол үр дүнгийн хэмжээ болон итгэх интервалуудыг оруулан үр дүнг бүрэн тайлагнана.
Сайн тайланд түүврийн шинж чанар, хэмжилтийн арга, болзошгүй алдаа зэрэг нөхцөл байдал багтана.
Хаах
Статистикийн ач холбогдлын тестүүд нь өгөгдлийн олдворууд нь популяцийн нөхцөл байдлыг тусгаж байгаа эсэхийг эсвэл зүгээр л санамсаргүй өөрчлөлтийн үр дүн мөн эсэхийг үнэлэх чухал хэрэгсэл юм. Гэсэн хэдий ч эдгээр тестүүд нь шинжлэх ухааны үнэний цорын ганц шүүгч биш юм. p-утгыг үр нөлөөний хэмжээ, итгэлцлийн интервал, үр дүнгийн хамаарлын контекст үнэлгээтэй хослуулан нарийн ойлгох ёстой.
Зөв ашиглавал ач холбогдлын тестүүд нь судалгааг илүү бодитой, хариуцлагатай болгоход тусалдаг. Үүний эсрэгээр, хэрэв тэдгээрийн таамаглал, хязгаарлалтыг ойлголгүйгээр механикаар ашиглавал алдаатай дүгнэлтэд хүргэж болзошгүй юм. Тиймээс, ойлголтын ойлголт, сайтар бодож тайлбарлах, ил тод тайлан гаргах нь өгөгдөлд суурилсан шийдвэрийг дэмжих ач холбогдлын тестийг ашиглах гол түлхүүр юм.
