तथ्याङ्कीय महत्व परीक्षण

तथ्याङ्कीय महत्व परीक्षण

मात्रात्मक अनुसन्धानमा, सबैभन्दा सामान्य प्रश्नहरू मध्ये एक हो: के डेटामा अवलोकन गरिएका भिन्नताहरू वा सम्बन्धहरू साँच्चै "वास्तविक" हुन्, वा तिनीहरू केवल अनियमित भिन्नताका कारणले भएको संयोग हुन्? यसको जवाफ दिन, अनुसन्धानकर्ताहरूले तथ्याङ्कीय महत्त्व परीक्षणहरू प्रयोग गर्छन्। यी परीक्षणहरूले नमूनाबाट प्राप्त परिणामहरू विशिष्ट सम्भाव्यता ढाँचाको आधारमा जनसंख्यामा सामान्यीकृत गर्न पर्याप्त बलियो छन् कि छैनन् भनेर निर्धारण गर्न मद्दत गर्छन्। शब्दावली प्राविधिक लाग्न सक्छ, आधारभूत अवधारणा सरल छ: हामी हामीले अवलोकन गरेको कुरालाई कुनै प्रभाव नभएको भए के हुने थियो भन्नेसँग तुलना गर्छौं।

परिभाषा र उद्देश्य

तथ्याङ्कीय महत्व परीक्षण भनेको जनसंख्याको बारेमा कथन (परिकल्पना) को लागि डेटाबाट प्रमाणको मूल्याङ्कन गर्न प्रयोग गरिने औपचारिक प्रक्रिया हो। यसको प्राथमिक उद्देश्य भनेको प्रभाव - उदाहरणका लागि, दुई समूह बीचको भिन्नता, दुई चरहरू बीचको सहसम्बन्ध, वा उपचारको प्रभाव - ठूलो र संयोगवश हुने सम्भावना नभएको पर्याप्त सुसंगत छ कि छैन भनेर निर्धारण गर्नु हो।

व्यवहारमा, महत्व परीक्षणहरूले कुनै सिद्धान्त सत्य हो भनेर "प्रमाणित" गर्दैनन्, बरु डेटाले कुनै विशेष धारणालाई कति दृढतापूर्वक अस्वीकार गर्छ भन्ने मापन प्रदान गर्दछ। यहाँ यो बुझ्नु महत्त्वपूर्ण छ कि तथ्याङ्क अनिश्चितताको दायरा भित्र काम गर्दछ। त्यहाँ कुनै पूर्ण निश्चितता छैन, बरु डेटा द्वारा समर्थित विश्वासको डिग्री छ।

शून्य परिकल्पना र वैकल्पिक परिकल्पना

महत्व परीक्षणहरू सामान्यतया दुई कथनहरूमा निर्मित हुन्छन्:

१. शून्य परिकल्पना (H₀): यसले कुनै भिन्नता, कुनै सम्बन्ध, वा कुनै प्रभाव नभएको बताउँछ। उदाहरणका लागि: "कक्षा A को औसत ग्रेड कक्षा B जस्तै हो," वा "अध्ययन घण्टा र परीक्षाको अङ्क बीच कुनै सम्बन्ध छैन।"
२. वैकल्पिक परिकल्पना (H₁ वा Hₐ): यसले फरक, सम्बन्ध, वा प्रभाव रहेको बताउँछ। उदाहरणका लागि: "कक्षा A को औसत ग्रेड कक्षा B भन्दा फरक छ," वा "अध्ययन घण्टा र परीक्षाको अङ्क बीच सम्बन्ध छ।"

महत्व परीक्षणहरू H₀ सत्य हो भन्ने प्रारम्भिक धारणामा काम गर्छन्। त्यसपछि, यदि H₀ सत्य हो भने परिणामहरू अत्यन्तै दुर्लभ छन् कि छैनन् भनेर हेर्न डेटा विश्लेषण गरिन्छ। यदि तिनीहरू दुर्लभ छन् भने, हामी H₀ लाई अस्वीकार गर्छौं।

p मान (p-मान) र यसको अर्थ

महत्व परीक्षणमा केन्द्रीय अवधारणा p-मान हो। सरल भाषामा भन्नुपर्दा, p-मान भनेको शून्य परिकल्पना सत्य हो भनी मान्दै, डेटामा अवलोकन गरिएको जत्तिकै चरम परिणाम प्राप्त गर्ने सम्भावना हो।

– यदि p सानो छ भने, यसको अर्थ H₀ सत्य हुँदा अवलोकन गरिएका परिणामहरू विरलै हुन्छन्, त्यसैले हामीसँग H₀ अस्वीकार गर्ने कारण छ।
– यदि p ठूलो छ भने, यसको अर्थ H₀ सत्य छ भने अवलोकन गरिएका परिणामहरू अझै पनि सम्भव छन् भन्ने हो, त्यसैले H₀ लाई अस्वीकार गर्न हामीसँग पर्याप्त प्रमाण छैन।

यद्यपि, p-मानलाई प्रायः गलत बुझिन्छ। p-मान भनेको H₀ सत्य वा गलत हो भन्ने सम्भावना होइन। न त यो प्रभावको परिमाणको मापन हो। p-मानले केवल एक विशेष ढाँचा भित्र H₀ विरुद्ध प्रमाणको बललाई संकेत गर्दछ।

महत्व स्तर (α)

निर्णय लिनको लागि, अनुसन्धानकर्ताहरूले α (अल्फा) द्वारा दर्शाइएको महत्व स्तर सेट गर्छन्। सामान्यतया प्रयोग हुने मानहरू ०.०५ (५%) वा ०.०१ (१%) हुन्। नियम यस प्रकार छ:

– यदि p ≤ α छ भने, नतिजाहरू तथ्याङ्कीय रूपमा महत्त्वपूर्ण भनिन्छ, र H₀ अस्वीकार गरिन्छ।
– यदि p > α छ भने, परिणाम महत्वपूर्ण हुँदैन, र H₀ अस्वीकृत हुँदैन।

α छनौट गर्नु पूर्णतया प्राविधिक निर्णय होइन, तर सन्दर्भलाई पनि ध्यानमा राख्छ। उदाहरणका लागि, बिरामी सुरक्षासँग सम्बन्धित चिकित्सा अनुसन्धानमा, अनुसन्धानकर्ताहरूले गलत निष्कर्षको जोखिम कम गर्न थप कडा α (०.०१) छनौट गर्न सक्छन्।

प्रकार I र प्रकार II त्रुटिहरू

तथ्याङ्कीय परीक्षणहरूमा अनिश्चिततामा निर्णय लिने समावेश भएको हुनाले, त्रुटिको सम्भावना सधैं रहन्छ:

१. प्रकार I त्रुटि (गलत सकारात्मक): H₀ सत्य हुँदा H₀ अस्वीकार गर्ने। सम्भाव्यता α द्वारा नियन्त्रित हुन्छ।
२. प्रकार II त्रुटि (गलत नकारात्मक): H₁ सत्य हुँदा H₀ अस्वीकार गर्न असफल। सम्भाव्यतालाई β (बीटा) द्वारा जनाइएको छ; उल्टोलाई पावर भनिन्छ, जुन १ − β हो।

वास्तविक संसारको सन्दर्भमा, दुवै प्रकारका त्रुटिहरूको महत्त्वपूर्ण परिणाम हुन सक्छ। उदाहरणका लागि, कुनै औषधि प्रभावकारी नभएको बेला (प्रकार I) हानिकारक हुन सक्छ, जबकि कुनै औषधि वास्तवमा प्रभावकारी हुँदा (प्रकार II) अप्रभावी छ भनी मान्दा चिकित्सीय अवसरहरू गुम्न सक्छन्।

महत्व परीक्षणका सामान्य प्रकारहरू

धेरै महत्व परीक्षणहरू छन्, र छनोट उद्देश्य, डेटाको प्रकार, र पूरा हुने अनुमानहरूमा निर्भर गर्दछ। सबैभन्दा धेरै प्रयोग हुने केही हुन्:

– T-परीक्षण: दुई समूहहरूको साधनको तुलना गर्दछ (जस्तै, प्रयोगात्मक बनाम नियन्त्रण)। स्वतन्त्र र जोडी t-परीक्षण संस्करणहरू छन्।
– ANOVA: दुई भन्दा बढी समूहहरूको औसत तुलना गर्दछ (जस्तै तीन सिकाइ विधिहरू)।
– ची-स्क्वायर परीक्षण: वर्गीकृत चरहरू (जस्तै लिङ्ग र प्रमुखको छनोट) बीचको सम्बन्धको परीक्षण गर्दछ।
- पियर्सन/स्पियरम्यान सहसम्बन्ध: दुई संख्यात्मक चरहरू बीचको सम्बन्ध परीक्षण गर्दछ (सामान्य डेटाको लागि पियर्सन, क्रमिक/गैर-सामान्य डेटाको लागि स्पियरम्यान)।
- रेखीय/लजिस्टिक रिग्रेसन: परिणाम चरमा एक वा बढी भविष्यवाणी गर्ने चरहरूको प्रभाव परीक्षण गर्दछ।

प्रत्येक परीक्षणमा सामान्यता, भिन्नताको एकरूपता, वा डेटाको स्वतन्त्रता जस्ता धारणाहरू हुन्छन्। यी धारणाहरू उल्लङ्घन गर्नाले भ्रामक परीक्षण परिणामहरू निम्त्याउन सक्छ, त्यसैले डेटा निदान र पूर्व-आवश्यक परीक्षणहरू आवश्यक छन्।

सांख्यिकीय महत्व बनाम व्यावहारिक महत्व

महत्व परीक्षणको एउटा आलोचना यो हो कि अनुसन्धानकर्ताहरूले यसको व्यावहारिक प्रभावहरूलाई विचार नगरी यो "महत्वपूर्ण" वा "महत्वपूर्ण" हो कि होइन भन्ने कुरामा धेरै ध्यान केन्द्रित गर्छन्। धेरै ठूला नमूनाहरूसँग, साना भिन्नताहरू सांख्यिकीय रूपमा महत्त्वपूर्ण हुन सक्छन्, यद्यपि तिनीहरूको प्रभाव मुश्किलले देख्न सकिन्छ। यसको विपरीत, साना नमूनाहरूसँग, वास्तवमा धेरै महत्त्वपूर्ण प्रभावहरू अपर्याप्त शक्तिको कारणले महत्त्वमा पुग्न असफल हुन सक्छन्।

त्यसकारण, महत्व परीक्षणहरू सधैं निम्नसँग हुनुपर्छ:
- कोहेनको d, eta-वर्ग, वा विषम अनुपात जस्ता प्रभाव आकारहरू।
- उचित प्यारामिटर मानहरूको दायरा देखाउन विश्वास अन्तराल।

p-मान, प्रभाव आकार, र आत्मविश्वास अन्तरालको संयोजनले थप पूर्ण तस्वीर प्रदान गर्दछ: "प्रभाव छ वा छैन" मात्र होइन, तर "प्रभाव कति ठूलो छ र हामी त्यो अनुमानको बारेमा कति निश्चित हुन सक्छौं।"

महत्व परीक्षण सञ्चालन गर्ने सामान्य चरणहरू

सामान्यतया, प्रक्रिया यस प्रकार छ:
१. अनुसन्धान प्रश्नहरू अनुसार H₀ र H₁ सूत्रबद्ध गर्नुहोस्।
२. α निर्धारण गर्नुहोस् (जस्तै ०.०५)।
३. डेटाको प्रकार र अनुसन्धान डिजाइन अनुसार सही परीक्षण छनौट गर्नुहोस्।
४. परीक्षण अनुमानहरू (सामान्यता, भिन्नता, स्वतन्त्रता, आदि) जाँच गर्नुहोस्।
५. परीक्षण तथ्याङ्क गणना गर्नुहोस् र p-मान प्राप्त गर्नुहोस्।
६. p-मानलाई α सँग तुलना गर्नुहोस् र निष्कर्ष निकाल्नुहोस्।
७. सम्भव भएसम्म प्रभाव आकार र विश्वास अन्तरालहरू सहित परिणामहरू पूर्ण रूपमा रिपोर्ट गर्नुहोस्।

राम्रो रिपोर्टिङमा नमूना विशेषताहरू, मापन विधिहरू, र सम्भावित पूर्वाग्रह जस्ता सन्दर्भहरू पनि समावेश हुन्छन्।

बन्द

तथ्याङ्कीय महत्व परीक्षणहरू डेटा निष्कर्षहरूले जनसंख्याको अवस्थालाई प्रतिबिम्बित गर्छन् वा केवल अनियमित भिन्नताको परिणाम हुन् भनेर मूल्याङ्कन गर्न महत्त्वपूर्ण उपकरणहरू हुन्। यद्यपि, यी परीक्षणहरू वैज्ञानिक सत्यको एकमात्र मध्यस्थकर्ता होइनन्। प्रभाव आकार, विश्वास अन्तराल, र परिणामहरूको सान्दर्भिकताको प्रासंगिक मूल्याङ्कनसँग मिलाएर p-मानलाई सटीक रूपमा बुझ्नुपर्छ।

सही तरिकाले प्रयोग गर्दा, महत्व परीक्षणहरूले अनुसन्धानलाई अझ वस्तुनिष्ठ र जवाफदेही बनाउन मद्दत गर्छन्। यसको विपरीत, यदि तिनीहरूको धारणा र सीमितताहरू नबुझी यान्त्रिक रूपमा प्रयोग गरियो भने, तिनीहरूले गलत निष्कर्ष निकाल्न सक्छन्। त्यसकारण, अवधारणात्मक बुझाइ, विचारशील व्याख्या, र पारदर्शी रिपोर्टिङ डेटा-संचालित निर्णयहरूलाई समर्थन गर्न महत्व परीक्षणहरू प्रयोग गर्ने प्रमुख हुन्।