Null နှင့် အခြားရွေးချယ်စရာ ယူဆချက်ဆိုတာဘာလဲ
စာရင်းအင်းနှင့် သုတေသနနည်းလမ်းများတွင်၊ null hypothesis (H0) နှင့် alternative hypothesis (H1 သို့မဟုတ် Ha) ဟူသော အသုံးအနှုန်းများသည် သုတေသီများသည် ဒေတာကို အသုံးပြု၍ ယူဆချက်တစ်ခုကို စမ်းသပ်လိုသည့်အခါ မကြာခဏ ပေါ်ပေါက်လာလေ့ရှိသော အခြေခံအယူအဆနှစ်ခုဖြစ်သည်။ ၎င်းတို့သည် hypothesis testing ၏ အခြေခံအုတ်မြစ်ဖြစ်ပြီး၊ နမူနာမှ အထောက်အထားသည် လူဦးရေနှင့်ပတ်သက်သည့် ပြောဆိုချက်ကို ထောက်ခံရန် လုံလောက်သော ခိုင်မာမှုရှိမရှိ ဆုံးဖြတ်ရန် လုပ်ထုံးလုပ်နည်းတစ်ခုဖြစ်သည်။ ၎င်းသည် နည်းပညာပိုင်းဆိုင်ရာ ထင်ရသော်လည်း၊ အခြေခံအယူအဆမှာ အမှန်တကယ်ရိုးရှင်းပါသည်- ကျွန်ုပ်တို့သည် ဆန့်ကျင်ဘက်ဖော်ပြချက်နှစ်ခုပြုလုပ်ပြီးနောက် မည်သည့်ဖော်ပြချက်သည် ပိုမိုယုတ္တိတန်သည်ကို ဆုံးဖြတ်ရန် ဒေတာကို အသုံးပြုပါသည်။
သုတေသနတွင် ယူဆချက်ကို နားလည်ခြင်း
ယေဘုယျအားဖြင့် ယူဆချက်ဆိုသည်မှာ အမှန်တရားကို စမ်းသပ်နိုင်သော ယာယီယူဆချက် သို့မဟုတ် ဖော်ပြချက်တစ်ခုဖြစ်သည်။ အရေအတွက်ဆိုင်ရာ သုတေသနတွင်၊ ယူဆချက်များကို များသောအားဖြင့် ကိန်းရှင်များအကြား ဆက်နွယ်မှုများ သို့မဟုတ် အုပ်စုများအကြား ကွာခြားချက်များပုံစံဖြင့် ဖော်မြူလာပြုလုပ်လေ့ရှိသည်။ ဥပမာ- "လေ့လာမှုနည်းလမ်း A သည် လေ့လာမှုနည်းလမ်း B ထက် ပိုမိုထိရောက်သည်" သို့မဟုတ် "အိပ်စက်ချိန်နှင့် အာရုံစူးစိုက်မှုအဆင့်များအကြား ဆက်နွယ်မှုရှိသည်။"
သို့သော် ဤယူဆချက်များကို စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုနယ်ပယ်ထဲသို့ ယူဆောင်လာသောအခါ ၎င်းတို့ကို များသောအားဖြင့် အတွဲနှစ်တွဲအဖြစ် ခွဲထားလေ့ရှိသည်- null hypothesis နှင့် alternative hypothesis။
null hypothesis (H0) ဆိုတာ ဘာလဲ။
null hypothesis (H0) ဆိုသည်မှာ ကွာခြားချက်မရှိ၊ အကျိုးသက်ရောက်မှုမရှိ သို့မဟုတ် ဆက်နွယ်မှုမရှိဟု ယေဘုယျအားဖြင့် ဖော်ပြသည့် ဖော်ပြချက်တစ်ခုဖြစ်သည်။ H0 ကို မကြာခဏ “ပုံသေ” သို့မဟုတ် “status quo” အနေအထားအဖြစ် သတ်မှတ်လေ့ရှိသည်။ စာရင်းအင်းစမ်းသပ်မှုများတွင် သုတေသီများသည် H0 မှန်ကန်သည်ဟူသော ယူဆချက်ဖြင့် စတင်ပြီးနောက် ၎င်းကို ငြင်းပယ်ရန် အချက်အလက်မှ အထောက်အထားများကို ရှာဖွေကြသည်။
null hypothesis ၏ အထွေထွေဝိသေသလက္ခဏာများ-
၁။ အကျိုးသက်ရောက်မှု သို့မဟုတ် ကွာခြားချက်မရှိကြောင်း ဖော်ပြခြင်း။
၂။ စမ်းသပ်မှုတွင် ကနဦးရည်ညွှန်းချက်တစ်ခု ဖြစ်လာပါ။
၃။ စာရင်းအင်းစစ်ဆေးမှုများ၏ရလဒ်များအပေါ် အခြေခံ၍ ငြင်းပယ်ခံရခြင်း သို့မဟုတ် ငြင်းပယ်ရန်ပျက်ကွက်ခြင်း။
null hypothesis ၏ ဥပမာ-
– “နည်းလမ်း A နှင့် နည်းလမ်း B ကိုအသုံးပြုသော အတန်းများအကြား ပျမ်းမျှအဆင့်များတွင် ကွာခြားချက်မရှိပါ။”
– “စာကျက်ချိန်အရေအတွက်နှင့် စာမေးပွဲရမှတ်များကြားတွင် ဆက်စပ်မှုမရှိပါ။”
– “ကျောင်းသားတွေရဲ့ ပျမ်းမျှအရပ်က ၁၆၅ စင်တီမီတာပါ။”
စာရင်းအင်းသင်္ကေတတွင်၊ null hypothesis တွင် မကြာခဏ = လက္ခဏာတစ်ခု ပါဝင်လေ့ရှိပြီး၊ ဥပမာ μ = 165 သို့မဟုတ် p = 0,5 ဖြစ်သည်။ ညီမျှလက္ခဏာသည် အရေးကြီးသည်၊ အဘယ်ကြောင့်ဆိုသော် H0 သည် လူဦးရေ ကန့်သတ်ချက်သည် တန်ဖိုးတစ်ခုတွင် ရှိသည်ဟု ဖော်ပြလေ့ရှိသောကြောင့် ဖြစ်သည်။
အခြားရွေးချယ်စရာ ယူဆချက် (H1/Ha) ဆိုတာ ဘာလဲ။
အခြားယူဆချက် (H1 သို့မဟုတ် Ha) သည် သုညယူဆချက်နှင့် ဆန့်ကျင်ဘက်ဖြစ်သော ဖော်ပြချက်တစ်ခုဖြစ်သည်။ H1 သည် ကွာခြားချက်၊ အကျိုးသက်ရောက်မှု သို့မဟုတ် ဆက်နွယ်မှုတစ်ခု ရှိသည်ဟု ဖော်ပြထားသည်။ H0 ကို ငြင်းပယ်ပါက သုတေသီသည် H1 အတွက် ထောက်ခံမှုရရှိသည် (သို့သော် နည်းပညာအရ ၎င်းသည် H0 ကို ငြင်းပယ်ခြင်းဖြစ်ပြီး H1 ကို အပြီးသတ် "သက်သေပြ" ခြင်းမဟုတ်ပါ)။
အခြားရွေးချယ်စရာယူဆချက်များ၏ အထွေထွေဝိသေသလက္ခဏာများ-
၁။ အကျိုးသက်ရောက်မှု၊ ကွာခြားချက် သို့မဟုတ် ဆက်နွယ်မှုတစ်ခု ရှိနေခြင်းကို ဖော်ပြရန်။
၂။ သုတေသီများ ပံ့ပိုးပေးလိုသော အဓိကရည်မှန်းချက် ဖြစ်လာပါ။
၃။ H0 ကို ငြင်းပယ်သောအခါ သွယ်ဝိုက်လက်ခံသည်။
အခြားရွေးချယ်စရာယူဆချက်များ၏ ဥပမာများ-
– “အတန်းအစား နည်းလမ်း A နှင့် နည်းလမ်း B အကြား ပျမ်းမျှတန်ဖိုးတွင် ကွာခြားချက်ရှိပါသည်။”
– “စာကျက်ချိန်အရေအတွက်နှင့် စာမေးပွဲရမှတ်များကြားတွင် ဆက်စပ်မှုရှိပါသည်။”
– “ကျောင်းသားတွေရဲ့ ပျမ်းမျှအရပ်က ၁၆၅ စင်တီမီတာနဲ့ မညီမျှဘူး။”
သင်္ကေတအနေနဲ့ H1 မှာ စမ်းသပ်မှုအမျိုးအစားပေါ်မူတည်ပြီး ≠၊ > သို့မဟုတ် < သင်္ကေတကို မကြာခဏအသုံးပြုလေ့ရှိပါတယ်။ H0 နဲ့ H1 အကြား ဆက်နွယ်မှုကတော့ အပြန်အလှန် သီးသန့်ဖော်ပြချက်တစ်စုံပါ။ H0 နဲ့ H1 တို့ဟာ အပြန်အလှန် သီးသန့်ဖြစ်ရမှာဖြစ်ပြီး၊ ဆိုလိုတာက သူတို့ဟာ တစ်ပြိုင်နက်တည်း မှန်ကန်နိုင်မှာ မဟုတ်ပါဘူး။ H0 က “ကွာခြားချက်မရှိဘူး” လို့ ဖော်ပြရင် H1 က “ကွာခြားချက်ရှိတယ်” လို့ ဖော်ပြပါတယ်။ ဒီအတွဲကို သုတေသီတွေက အချက်အလက်တွေအပေါ် အခြေခံပြီး ရှင်းလင်းတဲ့ ဆုံးဖြတ်ချက်တွေချနိုင်အောင် ရည်ရွယ်ချက်ရှိရှိ ဖန်တီးထားတာပါ။ ဥပမာအားဖြင့်၊ လေ့လာမှုတစ်ခုက ဆေးအသစ်တစ်ခုက သွေးပေါင်ချိန်ကို လျော့ကျစေသလားဆိုတာ ရှာဖွေချင်တယ်ဆိုရင်- - H0: ဆေးအသစ်က သွေးပေါင်ချိန်ကို မလျော့ကျစေပါဘူး (ဒါမှမဟုတ် လျော့ကျမှုက ဆေးဟောင်းနဲ့ အတူတူပါပဲ)။ - H1: ဆေးအသစ်က သွေးပေါင်ချိန်ကို (ပိုမိုထိရောက်စွာ) လျော့ကျစေပါတယ်။ စမ်းသပ်မှုက အချက်အလက်တွေနဲ့ သုတေသီတွေဟာ H0 ကို ငြင်းပယ်ဖို့ အထောက်အထားတွေ ခိုင်မာမှုရှိမရှိ သိရှိဖို့ စာရင်းအင်းစစ်ဆေးမှုတွေ ပြုလုပ်ကြပါတယ်။ အခြားယူဆချက်အမျိုးအစားများ- တစ်ချောင်းတည်းနှင့် နှစ်ချောင်းတည်း
အခြားယူဆချက်များသည် အမြီးနှစ်ချောင်း သို့မဟုတ် အမြီးတစ်ချောင်းဖြစ်နိုင်သည်။ ၁။ အမြီးနှစ်ချောင်းစမ်းသပ်မှု - H1 သည် ပိုကြီးသည် သို့မဟုတ် ပိုငယ်သည်ကို သတ်မှတ်ခြင်းမရှိဘဲ "ကွဲပြားသည်" ဟုဖော်ပြသည်။ - ဥပမာ - - H0: μ = 165 - H1: μ ≠ 165 သုတေသီသည် ကွာခြားချက်ရှိမရှိကိုသာ သိလိုပါက ဤစစ်ဆေးမှုကို အသုံးပြုသည်၊ တိကျသော ဦးတည်ချက်မရှိဘဲ။ ၂။ အမြီးတစ်ချောင်းစမ်းသပ်မှု - H1 သည် ကွာခြားချက်၏ ဦးတည်ချက်ကို ဖော်ပြသည်- ပိုကြီးသည် သို့မဟုတ် ပိုငယ်သည်။ - ဥပမာ - - H0: μ ≤ 165 - H1: μ > 165ဒါမှမဟုတ်
– H0: μ ≥ 165
– H1: μ < 165 သုတေသီသည် သီအိုရီ သို့မဟုတ် ယခင်လေ့လာမှုများအပေါ် အခြေခံသည့် ဦးတည်ချက်ယူဆချက်တစ်ခု ရှိပြီးသားဖြစ်ပါက ဤစစ်ဆေးမှုကို အသုံးပြုသည်။ တစ်ချောင်းတည်းသော သို့မဟုတ် နှစ်ချောင်းတည်းသော စစ်ဆေးမှုရွေးချယ်မှုသည် အရေးကြီးပါသည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် ငြင်းပယ်သည့်ဒေသကို မည်သို့ဆုံးဖြတ်သည်နှင့် ရလဒ်များ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို မည်သို့အကျိုးသက်ရောက်စေသောကြောင့်ဖြစ်သည်။ ဆုံးဖြတ်ချက်ချနည်း- H0 ကို ငြင်းပယ်ခြင်း သို့မဟုတ် ငြင်းပယ်ရန်ပျက်ကွက်ခြင်း ယူဆချက်စမ်းသပ်မှုတွင်၊ ပုံမှန်ဆုံးဖြတ်ချက်များမှာ- - H0 ကို ငြင်းပယ်ခြင်း- ရလဒ်များသည် H0 နှင့် မကိုက်ညီကြောင်း ဖော်ပြရန် အချက်အလက်များက လုံလောက်သော ခိုင်မာသည့်အထောက်အထားများကို ပေးပါသည်။ - H0 ကို ငြင်းပယ်ရန်ပျက်ကွက်ခြင်း- H0 ကို ငြင်းပယ်ရန် အချက်အလက်များက လုံလောက်သော ခိုင်မာမှုမရှိပါ (၎င်းသည် H0 မှန်ကန်ကြောင်း သက်သေပြနိုင်သည်ဟု မဆိုလိုပါ)။ “ငြင်းပယ်ရန်ပျက်ကွက်ခြင်း” ဟူသော အသုံးအနှုန်းကို အသုံးပြုရခြင်းမှာ နမူနာအခြေပြု သုတေသနတွင် အမြဲတမ်း မသေချာမရေရာမှုများ ရှိနေသောကြောင့်ဖြစ်သည်။ ကျွန်ုပ်တို့သည် တစ်စုံတစ်ခုကို လုံးဝသေချာပေါက် “သက်သေပြ” နိုင်ခဲသည်။ ကျွန်ုပ်တို့လုပ်နိုင်သည်မှာ ရရှိနိုင်သော အထောက်အထားများ မည်မျှခိုင်မာသည်ကို အကဲဖြတ်ရန်သာဖြစ်သည်။ လူကြိုက်များသော ဆုံးဖြတ်ချက်ချသည့်ကိရိယာတစ်ခုမှာ p-value ဖြစ်သည်- - p-value < α (ဥပမာ၊ α = 0,05) ဆိုလျှင် H0 ကို ငြင်းပယ်သည်။ - p-value ≥ α ဆိုလျှင် H0 ကို ငြင်းပယ်ရန်ပျက်ကွက်သည်။ ဤနေရာတွင် α သည် H0 ကို ငြင်းပယ်သည့်အခါ အမှားအယွင်းဖြစ်နိုင်ခြေအတွက် သုတေသီ၏ သည်းခံနိုင်စွမ်းကန့်သတ်ချက်ဖြစ်ပြီး သိသာထင်ရှားမှုအဆင့်ဖြစ်သည်။ ယူဆချက်စမ်းသပ်မှုတွင် အမှားများ- အမျိုးအစား I နှင့် အမျိုးအစား II စာရင်းအင်းဆိုင်ရာ ဆုံးဖြတ်ချက်များသည် အမြဲတမ်းမှန်ကန်ခြင်းမရှိသောကြောင့်၊ အသိအမှတ်ပြုထားသော အမှားအမျိုးအစားနှစ်မျိုးရှိသည်- ၁။ အမျိုးအစား I အမှား (α) - H0 မှန်ကန်သည့်အခါ H0 ကို ငြင်းပယ်ခြင်း။ - ဥပမာ- ဆေးဝါးတစ်ခုသည် ထိရောက်မှုမရှိသည့်အခါတွင် ထိရောက်မှုရှိသည်ဟု ကောက်ချက်ချခြင်း။ ၂။ အမျိုးအစား II အမှား (β) - H0 မှားယွင်းနေချိန်တွင် H0 ကို ငြင်းပယ်ရန် ပျက်ကွက်ခြင်း။ - ဥပမာ- ဆေးဝါးတစ်ခုသည် အမှန်တကယ်ထိရောက်မှုရှိသည့်အခါ ထိရောက်မှုမရှိဟု ကောက်ချက်ချခြင်းသည် ထိရောက်မှုမရှိပါ။ သုတေသီများသည် အမျိုးအစား I အမှားဖြစ်နိုင်ခြေကို α (ဥပမာ 0,05) မှတစ်ဆင့် ထိန်းချုပ်လေ့ရှိသည်။ တစ်ချိန်တည်းမှာပင်၊ အမျိုးအစား II အမှားဖြစ်နိုင်ခြေသည် လေ့လာမှု၏စွမ်းအား၊ နမူနာအရွယ်အစားနှင့် အချက်အလက်ကွဲပြားမှုနှင့် ဆက်စပ်နေသည်။ နေ့စဉ်ဘဝမှ ရိုးရှင်းသော ဥပမာတစ်ခု စက်များပြောင်းလဲပြီးနောက် ထုတ်လုပ်မှုအဖွဲ့သည် အရည်အသွေးတိုးတက်ကောင်းမွန်လာခြင်း ရှိ၊ မရှိ စမ်းသပ်လိုသည်ဟု မြင်ယောင်ကြည့်ပါ။ - H0: စက်ပြောင်းလဲမှုသည် ထုတ်ကုန်၏ ပျမ်းမျှအရည်အသွေးကို မတိုးတက်စေပါ။ - H1: စက်ပြောင်းလဲမှုသည် ထုတ်ကုန်၏ ပျမ်းမျှအရည်အသွေးကို တိုးတက်ကောင်းမွန်စေသည်။ စက်ပြောင်းလဲမှုမတိုင်မီနှင့် ပြီးနောက် ထုတ်လုပ်မှုချို့ယွင်းချက်များဆိုင်ရာ အချက်အလက်များကို သင်စုဆောင်းသည်။ ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များသည် သိသာထင်ရှားသော ကွာခြားချက်ကို ပြသပါက (ဥပမာ၊ ချို့ယွင်းချက်များ လျော့ကျပြီး p-တန်ဖိုး < 0,05)၊ သင်သည် H0 ကို ငြင်းပယ်ပြီး စက်အသစ်က ကူညီပေးခဲ့ကြောင်း ထောက်ခံသည်။ နိဂုံးချုပ် null hypothesis နှင့် alternative hypothesis တို့သည် စာရင်းအင်းများတွင် hypothesis စမ်းသပ်မှု၏ အဓိကအချက်ဖြစ်သည်။ null hypothesis (H0) သည် အကျိုးသက်ရောက်မှု သို့မဟုတ် ကွာခြားချက်မရှိကြောင်း ဖော်ပြလေ့ရှိပြီး alternative hypothesis (H1/Ha) သည် အကျိုးသက်ရောက်မှု သို့မဟုတ် ကွာခြားချက်ရှိကြောင်း ဖော်ပြထားသည်။ သုတေသီများသည် H0 ကို ငြင်းပယ်ရန် အထောက်အထားများ ခိုင်မာမှုရှိမရှိကို အချက်အလက်များဖြင့် စမ်းသပ်ကြသည်။ ဤသဘောတရားကို နားလည်ခြင်းသည် သုတေသနရလဒ်များကို ပိုမိုဝေဖန်ပိုင်းခြားဖတ်ရှုရန်၊ ပိုမိုကောင်းမွန်သော စမ်းသပ်ချက်များကို ဒီဇိုင်းဆွဲရန်နှင့် ပိုမိုကျိုးကြောင်းဆီလျော်ပြီး အချက်အလက်အခြေပြု ဆုံးဖြတ်ချက်များချရန် ကူညီပေးသည်။ သင်အလိုရှိပါက သင့်သုတေသနခေါင်းစဉ်နှင့် သက်ဆိုင်သည့် မမှန်သောနှင့် အခြားရွေးချယ်စရာယူဆချက်များ (ဥပမာ၊ ပညာရေး၊ ကျန်းမာရေး၊ စီးပွားရေး) ဥပမာများကို သင့်လျော်သော စာရင်းအင်းစမ်းသပ်မှုများဖြင့် ဖန်တီးရန် ကျွန်ုပ်ကူညီနိုင်ပါသည်။
