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။”
Dalam notasi, H1 sering menggunakan tanda ≠, >, atau < tergantung jenis pengujiannya.
Hubungan H0 dan H1: sepasang pernyataan yang saling meniadakan
H0 dan H1 haruslah mutually exclusive , artinya keduanya tidak mungkin benar secara bersamaan. Jika H0 menyatakan “tidak ada perbedaan”, maka H1 menyatakan “ada perbedaan.” Pasangan ini sengaja dibuat agar peneliti dapat mengambil keputusan yang jelas berdasarkan data.
Misalnya jika penelitian ingin mengetahui apakah sebuah obat baru menurunkan tekanan darah:
- H0: Obat baru tidak menurunkan tekanan darah (atau penurunannya sama dengan obat lama).
- H1: Obat baru menurunkan tekanan darah (lebih efektif).
Dengan data dari eksperimen, peneliti melakukan uji statistik untuk melihat apakah bukti cukup kuat untuk menolak H0.
Jenis hipotesis alternatif: satu arah dan dua arah
Hipotesis alternatif dapat berbentuk dua arah (two-tailed) atau satu arah (one-tailed) .
1. Uji dua arah
- H1 menyatakan “berbeda” tanpa menentukan lebih besar atau lebih kecil.
- Contoh:
- H0: μ = 165
- H1: μ ≠ 165
Uji ini digunakan jika peneliti hanya ingin mengetahui apakah ada perbedaan, tanpa arah spesifik.
2. Uji satu arah
- H1 menyatakan arah perbedaan: lebih besar atau lebih kecil.
- Contoh:
- H0: μ ≤ 165
- H1: μ > 165
ဒါမှမဟုတ်
– H0: μ ≥ 165
– H1: μ < 165
Uji ini digunakan jika peneliti sudah memiliki dugaan arah berdasarkan teori atau studi sebelumnya.
Pemilihan uji satu arah atau dua arah penting karena memengaruhi cara menentukan wilayah penolakan dan interpretasi hasil.
Bagaimana cara mengambil keputusan: tolak atau gagal menolak H0
Dalam uji hipotesis, keputusan yang biasa diambil adalah:
- Menolak H0 : data memberikan bukti cukup kuat untuk menyatakan hasil tidak sesuai dengan H0.
- Gagal menolak H0 : data tidak cukup kuat untuk menolak H0 (bukan berarti H0 terbukti benar).
Istilah “gagal menolak” digunakan karena penelitian berbasis sampel selalu memiliki ketidakpastian. Kita jarang bisa “membuktikan” sesuatu dengan kepastian absolut; yang bisa dilakukan adalah menilai seberapa kuat bukti yang tersedia.
Salah satu alat bantu keputusan yang populer adalah p-value :
- Jika p-value < α (misalnya α = 0,05), maka H0 ditolak.
- Jika p-value ≥ α, maka H0 gagal ditolak.
Di sini α adalah tingkat signifikansi , batas toleransi peneliti terhadap kemungkinan membuat kesalahan saat menolak H0.
Kesalahan dalam uji hipotesis: Tipe I dan Tipe II
Karena keputusan statistik tidak selalu benar, ada dua jenis kesalahan yang dikenal:
1. Kesalahan Tipe I (α)
- Menolak H0 padahal H0 benar.
- Contoh: menyimpulkan obat efektif padahal sebenarnya tidak.
2. Kesalahan Tipe II (β)
- Gagal menolak H0 padahal H0 salah.
- Contoh: menyimpulkan obat tidak efektif padahal sebenarnya efektif.
Peneliti biasanya mengontrol risiko Kesalahan Tipe I melalui α (misalnya 0,05). Sementara itu, risiko Kesalahan Tipe II berkaitan dengan power penelitian, ukuran sampel, dan variabilitas data.
Contoh sederhana dalam kehidupan sehari-hari
Bayangkan Anda ingin menguji apakah sebuah tim produksi meningkatkan kualitas setelah mengganti mesin.
- H0: Pergantian mesin tidak meningkatkan kualitas rata-rata produk.
- H1: Pergantian mesin meningkatkan kualitas rata-rata produk.
Anda mengumpulkan data cacat produksi sebelum dan sesudah pergantian mesin. Jika hasil analisis menunjukkan perbedaan signifikan (misalnya cacat turun dan p-value < 0,05), Anda menolak H0 dan mendukung bahwa mesin baru memang membantu.
Penutup
Hipotesis nol dan hipotesis alternatif adalah jantung dari uji hipotesis dalam statistika. Hipotesis nol (H0) biasanya menyatakan tidak ada efek atau perbedaan, sedangkan hipotesis alternatif (H1/Ha) menyatakan ada efek atau perbedaan. Dengan data, peneliti menguji apakah bukti cukup kuat untuk menolak H0. Memahami konsep ini membantu kita membaca hasil penelitian dengan lebih kritis, merancang eksperimen yang lebih baik, dan mengambil keputusan berdasarkan data secara lebih rasional.
Jika Anda ingin, saya bisa membantu membuat contoh hipotesis nol dan alternatif sesuai topik penelitian Anda (misalnya pendidikan, kesehatan, bisnis), lengkap dengan jenis uji statistik yang cocok.
