ਅੰਕੜਾ ਮਹੱਤਵ ਟੈਸਟ
ਮਾਤਰਾਤਮਕ ਖੋਜ ਵਿੱਚ, ਸਭ ਤੋਂ ਆਮ ਸਵਾਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇਹ ਹੈ: ਕੀ ਡੇਟਾ ਵਿੱਚ ਦੇਖੇ ਗਏ ਅੰਤਰ ਜਾਂ ਸਬੰਧ ਸੱਚਮੁੱਚ "ਅਸਲੀ" ਹਨ, ਜਾਂ ਕੀ ਇਹ ਸਿਰਫ਼ ਬੇਤਰਤੀਬ ਭਿੰਨਤਾ ਕਾਰਨ ਹੋਇਆ ਇੱਕ ਸੰਜੋਗ ਹੈ? ਇਸਦਾ ਜਵਾਬ ਦੇਣ ਲਈ, ਖੋਜਕਰਤਾ ਅੰਕੜਾਤਮਕ ਮਹੱਤਤਾ ਟੈਸਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇਹ ਟੈਸਟ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਕਿ ਕੀ ਇੱਕ ਨਮੂਨੇ ਤੋਂ ਪ੍ਰਾਪਤ ਨਤੀਜੇ ਇੱਕ ਖਾਸ ਸੰਭਾਵਨਾ ਢਾਂਚੇ ਦੇ ਅਧਾਰ ਤੇ, ਆਬਾਦੀ ਲਈ ਆਮ ਕੀਤੇ ਜਾਣ ਲਈ ਕਾਫ਼ੀ ਮਜ਼ਬੂਤ ਹਨ। ਹਾਲਾਂਕਿ ਸ਼ਬਦਾਵਲੀ ਤਕਨੀਕੀ ਲੱਗ ਸਕਦੀ ਹੈ, ਮੂਲ ਧਾਰਨਾ ਸਰਲ ਹੈ: ਅਸੀਂ ਜੋ ਦੇਖਦੇ ਹਾਂ ਉਸਦੀ ਤੁਲਨਾ ਉਸ ਨਾਲ ਕਰਦੇ ਹਾਂ ਜੋ ਹੁੰਦਾ ਜੇਕਰ ਕੋਈ ਪ੍ਰਭਾਵ ਨਾ ਹੁੰਦਾ।
ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਉਦੇਸ਼
ਇੱਕ ਅੰਕੜਾਤਮਕ ਮਹੱਤਤਾ ਟੈਸਟ ਇੱਕ ਰਸਮੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਕਿਸੇ ਆਬਾਦੀ ਬਾਰੇ ਇੱਕ ਬਿਆਨ (ਪ੍ਰਤੀਕਥਾ) ਲਈ ਡੇਟਾ ਤੋਂ ਸਬੂਤਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਇਸਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ ਕਿ ਕੀ ਇੱਕ ਪ੍ਰਭਾਵ - ਉਦਾਹਰਣ ਵਜੋਂ, ਦੋ ਸਮੂਹਾਂ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰ, ਦੋ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ, ਜਾਂ ਇੱਕ ਇਲਾਜ ਦਾ ਪ੍ਰਭਾਵ - ਇੰਨਾ ਵੱਡਾ ਅਤੇ ਇਕਸਾਰ ਹੈ ਕਿ ਸੰਜੋਗ ਨਾਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ।
ਅਭਿਆਸ ਵਿੱਚ, ਮਹੱਤਵ ਟੈਸਟ ਕਿਸੇ ਸਿਧਾਂਤ ਨੂੰ ਸੱਚ ਸਾਬਤ ਨਹੀਂ ਕਰਦੇ, ਸਗੋਂ ਇਹ ਮਾਪ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਕਿ ਡੇਟਾ ਕਿਸੇ ਖਾਸ ਧਾਰਨਾ ਨੂੰ ਕਿੰਨੀ ਜ਼ੋਰਦਾਰ ਢੰਗ ਨਾਲ ਰੱਦ ਕਰਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਅੰਕੜੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ। ਕੋਈ ਪੂਰਨ ਨਿਸ਼ਚਤਤਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਡੇਟਾ ਦੁਆਰਾ ਸਮਰਥਤ ਵਿਸ਼ਵਾਸ ਦੀ ਇੱਕ ਡਿਗਰੀ ਹੈ।
ਨਲ ਪਰਿਕਲਪਨਾ ਅਤੇ ਵਿਕਲਪਕ ਪਰਿਕਲਪਨਾ
ਮਹੱਤਵ ਟੈਸਟ ਆਮ ਤੌਰ 'ਤੇ ਦੋ ਕਥਨਾਂ 'ਤੇ ਬਣਾਏ ਜਾਂਦੇ ਹਨ:
1. ਨਲ ਪਰਿਕਲਪਨਾ (H₀): ਦੱਸਦੀ ਹੈ ਕਿ ਕੋਈ ਅੰਤਰ ਨਹੀਂ ਹੈ, ਕੋਈ ਸਬੰਧ ਨਹੀਂ ਹੈ, ਜਾਂ ਕੋਈ ਪ੍ਰਭਾਵ ਨਹੀਂ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ: "ਕਲਾਸ A ਦਾ ਔਸਤ ਗ੍ਰੇਡ ਕਲਾਸ B ਦੇ ਸਮਾਨ ਹੈ," ਜਾਂ "ਪੜ੍ਹਾਈ ਦੇ ਘੰਟਿਆਂ ਅਤੇ ਪ੍ਰੀਖਿਆ ਦੇ ਅੰਕਾਂ ਵਿਚਕਾਰ ਕੋਈ ਸਬੰਧ ਨਹੀਂ ਹੈ।"
2. ਵਿਕਲਪਿਕ ਪਰਿਕਲਪਨਾ (H₁ ਜਾਂ Hₐ): ਦੱਸਦੀ ਹੈ ਕਿ ਇੱਕ ਅੰਤਰ, ਇੱਕ ਸਬੰਧ, ਜਾਂ ਇੱਕ ਪ੍ਰਭਾਵ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ: "ਕਲਾਸ A ਦਾ ਔਸਤ ਗ੍ਰੇਡ ਕਲਾਸ B ਤੋਂ ਵੱਖਰਾ ਹੈ," ਜਾਂ "ਪੜ੍ਹਾਈ ਦੇ ਘੰਟਿਆਂ ਅਤੇ ਪ੍ਰੀਖਿਆ ਦੇ ਅੰਕਾਂ ਵਿਚਕਾਰ ਇੱਕ ਸਬੰਧ ਹੈ।"
ਮਹੱਤਵ ਟੈਸਟ ਸ਼ੁਰੂਆਤੀ ਧਾਰਨਾ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ ਕਿ H₀ ਸੱਚ ਹੈ। ਫਿਰ, ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਕਿ ਕੀ ਨਤੀਜੇ ਬਹੁਤ ਹੀ ਦੁਰਲੱਭ ਹਨ ਜੇਕਰ H₀ ਸੱਚ ਹੈ। ਜੇਕਰ ਉਹ ਦੁਰਲੱਭ ਹਨ, ਤਾਂ ਅਸੀਂ H₀ ਨੂੰ ਰੱਦ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ।
ਪੀ ਮੁੱਲ (ਪੀ-ਮੁੱਲ) ਅਤੇ ਇਸਦਾ ਅਰਥ
ਮਹੱਤਵ ਜਾਂਚ ਵਿੱਚ ਕੇਂਦਰੀ ਸੰਕਲਪ p-ਮੁੱਲ ਹੈ। ਸਿੱਧੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, p-ਮੁੱਲ ਘੱਟੋ-ਘੱਟ ਓਨਾ ਹੀ ਅਤਿਅੰਤ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਜਿੰਨਾ ਡੇਟਾ ਵਿੱਚ ਦੇਖਿਆ ਗਿਆ ਹੈ, ਇਹ ਮੰਨ ਕੇ ਕਿ ਨਲ ਪਰਿਕਲਪਨਾ ਸੱਚ ਹੈ।
– ਜੇਕਰ p ਛੋਟਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜਦੋਂ H₀ ਸੱਚ ਹੈ ਤਾਂ ਦੇਖੇ ਗਏ ਨਤੀਜੇ ਬਹੁਤ ਘੱਟ ਹੀ ਆਉਂਦੇ ਹਨ, ਇਸ ਲਈ ਸਾਡੇ ਕੋਲ H₀ ਨੂੰ ਰੱਦ ਕਰਨ ਦਾ ਕਾਰਨ ਹੈ।
– ਜੇਕਰ p ਵੱਡਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜੇਕਰ H₀ ਸੱਚ ਹੈ ਤਾਂ ਦੇਖੇ ਗਏ ਨਤੀਜੇ ਅਜੇ ਵੀ ਸੰਭਵ ਹਨ, ਇਸ ਲਈ ਸਾਡੇ ਕੋਲ H₀ ਨੂੰ ਰੱਦ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਸਬੂਤ ਨਹੀਂ ਹਨ।
ਹਾਲਾਂਕਿ, p-ਮੁੱਲ ਨੂੰ ਅਕਸਰ ਗਲਤ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ। p-ਮੁੱਲ ਇਹ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ ਕਿ H₀ ਸੱਚ ਹੈ ਜਾਂ ਗਲਤ। ਨਾ ਹੀ ਇਹ ਪ੍ਰਭਾਵ ਦੀ ਤੀਬਰਤਾ ਦਾ ਮਾਪ ਹੈ। p-ਮੁੱਲ ਸਿਰਫ਼ ਇੱਕ ਖਾਸ ਢਾਂਚੇ ਦੇ ਅੰਦਰ H₀ ਦੇ ਵਿਰੁੱਧ ਸਬੂਤ ਦੀ ਤਾਕਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਮਹੱਤਵ ਪੱਧਰ (α)
ਫੈਸਲਾ ਲੈਣ ਲਈ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਮਹੱਤਵ ਪੱਧਰ ਨਿਰਧਾਰਤ ਕੀਤਾ, ਜਿਸਨੂੰ α (ਅਲਫ਼ਾ) ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਮੁੱਲ 0,05 (5%) ਜਾਂ 0,01 (1%) ਹਨ। ਨਿਯਮ ਇਹ ਹੈ:
– ਜੇਕਰ p ≤ α ਹੈ, ਤਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ H₀ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।
– ਜੇਕਰ p > α ਹੈ, ਤਾਂ ਨਤੀਜਾ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੈ, ਅਤੇ H₀ ਨੂੰ ਰੱਦ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
α ਦੀ ਚੋਣ ਕਰਨਾ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਕਨੀਕੀ ਫੈਸਲਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਸੰਦਰਭ ਨੂੰ ਵੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਮਰੀਜ਼ਾਂ ਦੀ ਸੁਰੱਖਿਆ ਨਾਲ ਸਬੰਧਤ ਡਾਕਟਰੀ ਖੋਜ ਵਿੱਚ, ਖੋਜਕਰਤਾ ਗਲਤ ਸਿੱਟਿਆਂ ਦੇ ਜੋਖਮ ਨੂੰ ਘਟਾਉਣ ਲਈ ਵਧੇਰੇ ਸਖ਼ਤ α (0,01) ਦੀ ਚੋਣ ਕਰ ਸਕਦੇ ਹਨ।
ਕਿਸਮ I ਅਤੇ ਕਿਸਮ II ਗਲਤੀਆਂ
ਕਿਉਂਕਿ ਅੰਕੜਾ ਟੈਸਟਾਂ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਅਧੀਨ ਫੈਸਲਾ ਲੈਣਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਗਲਤੀ ਦੀ ਸੰਭਾਵਨਾ ਹਮੇਸ਼ਾ ਰਹਿੰਦੀ ਹੈ:
1. ਟਾਈਪ I ਗਲਤੀ (ਗਲਤ ਸਕਾਰਾਤਮਕ): H₀ ਨੂੰ ਰੱਦ ਕਰਨਾ ਜਦੋਂ H₀ ਸੱਚ ਹੈ। ਸੰਭਾਵਨਾ α ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
2. ਕਿਸਮ II ਗਲਤੀ (ਗਲਤ ਨਕਾਰਾਤਮਕ): ਜਦੋਂ H₁ ਸੱਚ ਹੈ ਤਾਂ H₀ ਨੂੰ ਰੱਦ ਕਰਨ ਵਿੱਚ ਅਸਫਲ। ਸੰਭਾਵਨਾ ਨੂੰ β (ਬੀਟਾ) ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ; ਉਲਟ ਨੂੰ ਪਾਵਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ 1 − β ਹੈ।
ਅਸਲ-ਸੰਸਾਰ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ, ਦੋਵੇਂ ਤਰ੍ਹਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਦੇ ਮਹੱਤਵਪੂਰਨ ਨਤੀਜੇ ਹੋ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਮੰਨਣਾ ਕਿ ਕੋਈ ਦਵਾਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ ਜਦੋਂ ਇਹ ਨਹੀਂ ਹੈ (ਕਿਸਮ I) ਨੁਕਸਾਨਦੇਹ ਹੋ ਸਕਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਇਹ ਮੰਨਣਾ ਕਿ ਕੋਈ ਦਵਾਈ ਬੇਅਸਰ ਹੈ ਜਦੋਂ ਇਹ ਅਸਲ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ (ਕਿਸਮ II) ਇਲਾਜ ਦੇ ਮੌਕੇ ਗੁਆ ਸਕਦੀ ਹੈ।
ਮਹੱਤਵ ਟੈਸਟਾਂ ਦੀਆਂ ਆਮ ਕਿਸਮਾਂ
ਬਹੁਤ ਸਾਰੇ ਮਹੱਤਵ ਵਾਲੇ ਟੈਸਟ ਹਨ, ਅਤੇ ਚੋਣ ਉਦੇਸ਼, ਡੇਟਾ ਦੀ ਕਿਸਮ, ਅਤੇ ਪੂਰੀਆਂ ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਧਾਰਨਾਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਕੁਝ ਹਨ:
– ਟੀ-ਟੈਸਟ: ਦੋ ਸਮੂਹਾਂ ਦੇ ਸਾਧਨਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ, ਪ੍ਰਯੋਗਾਤਮਕ ਬਨਾਮ ਨਿਯੰਤਰਣ)। ਸੁਤੰਤਰ ਅਤੇ ਪੇਅਰਡ ਟੀ-ਟੈਸਟ ਸੰਸਕਰਣ ਹਨ।
- ਅਨੋਵਾ: ਦੋ ਤੋਂ ਵੱਧ ਸਮੂਹਾਂ ਦੀ ਔਸਤ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਤਿੰਨ ਸਿੱਖਣ ਦੇ ਤਰੀਕੇ)।
- ਚੀ-ਵਰਗ ਟੈਸਟ: ਸ਼੍ਰੇਣੀਗਤ ਵੇਰੀਏਬਲਾਂ (ਜਿਵੇਂ ਕਿ ਲਿੰਗ ਅਤੇ ਪ੍ਰਮੁੱਖ ਦੀ ਚੋਣ) ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ।
- ਪੀਅਰਸਨ/ਸਪੀਅਰਮੈਨ ਸਹਿ-ਸੰਬੰਧ: ਦੋ ਸੰਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ (ਆਮ ਡੇਟਾ ਲਈ ਪੀਅਰਸਨ, ਆਰਡੀਨਲ/ਗੈਰ-ਆਮ ਡੇਟਾ ਲਈ ਸਪੀਅਰਮੈਨ)।
- ਲੀਨੀਅਰ/ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ: ਨਤੀਜਾ ਵੇਰੀਏਬਲ 'ਤੇ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵੇਰੀਏਬਲਾਂ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ।
ਹਰੇਕ ਟੈਸਟ ਵਿੱਚ ਧਾਰਨਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਧਾਰਣਤਾ, ਭਿੰਨਤਾ ਦੀ ਇਕਸਾਰਤਾ, ਜਾਂ ਡੇਟਾ ਦੀ ਸੁਤੰਤਰਤਾ। ਇਹਨਾਂ ਧਾਰਨਾਵਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਨ ਨਾਲ ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦੇ ਹਨ, ਇਸ ਲਈ ਡੇਟਾ ਨਿਦਾਨ ਅਤੇ ਪੂਰਵ-ਲੋੜੀਂਦੇ ਟੈਸਟ ਜ਼ਰੂਰੀ ਹਨ।
ਅੰਕੜਾਤਮਕ ਮਹੱਤਵ ਬਨਾਮ ਵਿਹਾਰਕ ਮਹੱਤਵ
ਮਹੱਤਵ ਜਾਂਚ ਦੀ ਇੱਕ ਆਲੋਚਨਾ ਇਹ ਹੈ ਕਿ ਖੋਜਕਰਤਾ ਇਸਦੇ ਵਿਹਾਰਕ ਪ੍ਰਭਾਵਾਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤੇ ਬਿਨਾਂ ਇਸ ਗੱਲ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ ਕਿ ਇਹ "ਮਹੱਤਵਪੂਰਨ" ਹੈ ਜਾਂ "ਮਹੱਤਵਪੂਰਨ"। ਬਹੁਤ ਵੱਡੇ ਨਮੂਨਿਆਂ ਦੇ ਨਾਲ, ਛੋਟੇ ਅੰਤਰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੋ ਸਕਦੇ ਹਨ, ਭਾਵੇਂ ਉਨ੍ਹਾਂ ਦਾ ਪ੍ਰਭਾਵ ਬਹੁਤ ਘੱਟ ਨਜ਼ਰ ਆਉਂਦਾ ਹੈ। ਇਸਦੇ ਉਲਟ, ਛੋਟੇ ਨਮੂਨਿਆਂ ਦੇ ਨਾਲ, ਪ੍ਰਭਾਵ ਜੋ ਅਸਲ ਵਿੱਚ ਕਾਫ਼ੀ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਨਾਕਾਫ਼ੀ ਸ਼ਕਤੀ ਦੇ ਕਾਰਨ ਮਹੱਤਵ ਤੱਕ ਪਹੁੰਚਣ ਵਿੱਚ ਅਸਫਲ ਹੋ ਸਕਦੇ ਹਨ।
ਇਸ ਲਈ, ਮਹੱਤਵ ਟੈਸਟਾਂ ਦੇ ਨਾਲ ਹਮੇਸ਼ਾ ਇਹ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ:
- ਪ੍ਰਭਾਵ ਆਕਾਰ ਜਿਵੇਂ ਕਿ ਕੋਹੇਨ ਦਾ d, ਈਟਾ-ਵਰਗ, ਜਾਂ ਔਡਜ਼ ਅਨੁਪਾਤ।
- ਵਾਜਬ ਪੈਰਾਮੀਟਰ ਮੁੱਲਾਂ ਦੀ ਰੇਂਜ ਦਿਖਾਉਣ ਲਈ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ।
ਪੀ-ਮੁੱਲ, ਪ੍ਰਭਾਵ ਆਕਾਰ, ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦਾ ਸੁਮੇਲ ਇੱਕ ਵਧੇਰੇ ਸੰਪੂਰਨ ਤਸਵੀਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ: ਸਿਰਫ਼ "ਪ੍ਰਭਾਵ ਹੈ ਜਾਂ ਨਹੀਂ," ਸਗੋਂ "ਪ੍ਰਭਾਵ ਕਿੰਨਾ ਵੱਡਾ ਹੈ ਅਤੇ ਅਸੀਂ ਉਸ ਅਨੁਮਾਨ ਬਾਰੇ ਕਿੰਨੇ ਨਿਸ਼ਚਿਤ ਹੋ ਸਕਦੇ ਹਾਂ।"
ਮਹੱਤਵ ਟੈਸਟ ਕਰਵਾਉਣ ਲਈ ਆਮ ਕਦਮ
ਆਮ ਤੌਰ 'ਤੇ, ਪ੍ਰਕਿਰਿਆ ਇਹ ਹੈ:
1. ਖੋਜ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਅਨੁਸਾਰ H₀ ਅਤੇ H₁ ਤਿਆਰ ਕਰੋ।
2. α (ਜਿਵੇਂ ਕਿ 0,05) ਨਿਰਧਾਰਤ ਕਰੋ।
3. ਡੇਟਾ ਦੀ ਕਿਸਮ ਅਤੇ ਖੋਜ ਡਿਜ਼ਾਈਨ ਦੇ ਅਨੁਸਾਰ ਸਹੀ ਟੈਸਟ ਚੁਣੋ।
4. ਟੈਸਟ ਧਾਰਨਾਵਾਂ (ਸਧਾਰਨਤਾ, ਭਿੰਨਤਾ, ਸੁਤੰਤਰਤਾ, ਆਦਿ) ਦੀ ਜਾਂਚ ਕਰੋ।
5. ਟੈਸਟ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ p-ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰੋ।
6. p-ਮੁੱਲ ਦੀ ਤੁਲਨਾ α ਨਾਲ ਕਰੋ ਅਤੇ ਸਿੱਟੇ ਕੱਢੋ।
7. ਨਤੀਜਿਆਂ ਦੀ ਪੂਰੀ ਰਿਪੋਰਟ ਕਰੋ, ਜਿੱਥੇ ਵੀ ਸੰਭਵ ਹੋਵੇ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲਾਂ ਸਮੇਤ।
ਚੰਗੀ ਰਿਪੋਰਟਿੰਗ ਵਿੱਚ ਸੰਦਰਭ ਵੀ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਨਮੂਨਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਮਾਪ ਵਿਧੀਆਂ, ਅਤੇ ਸੰਭਾਵੀ ਪੱਖਪਾਤ।
ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ
ਅੰਕੜਾਤਮਕ ਮਹੱਤਤਾ ਵਾਲੇ ਟੈਸਟ ਇਹ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਸਾਧਨ ਹਨ ਕਿ ਕੀ ਡੇਟਾ ਖੋਜਾਂ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਆਬਾਦੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਜਾਂ ਸਿਰਫ਼ ਬੇਤਰਤੀਬ ਭਿੰਨਤਾ ਦਾ ਨਤੀਜਾ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਟੈਸਟ ਵਿਗਿਆਨਕ ਸੱਚਾਈ ਦੇ ਇਕਲੌਤੇ ਆਰਬਿਟਰ ਨਹੀਂ ਹਨ। ਪੀ-ਮੁੱਲ ਨੂੰ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ, ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ, ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਸਾਰਥਕਤਾ ਦੇ ਪ੍ਰਸੰਗਿਕ ਮੁਲਾਂਕਣ ਦੇ ਨਾਲ ਜੋੜ ਕੇ ਸਹੀ ਢੰਗ ਨਾਲ ਸਮਝਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮਹੱਤਵ ਟੈਸਟ ਖੋਜ ਨੂੰ ਵਧੇਰੇ ਉਦੇਸ਼ਪੂਰਨ ਅਤੇ ਜਵਾਬਦੇਹ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਇਸਦੇ ਉਲਟ, ਜੇਕਰ ਉਹਨਾਂ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝੇ ਬਿਨਾਂ ਮਸ਼ੀਨੀ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਵੇ, ਤਾਂ ਉਹ ਗਲਤ ਸਿੱਟੇ ਕੱਢ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਸੰਕਲਪਿਕ ਸਮਝ, ਸੋਚ-ਸਮਝ ਕੇ ਵਿਆਖਿਆ, ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਰਿਪੋਰਟਿੰਗ ਡੇਟਾ-ਅਧਾਰਿਤ ਫੈਸਲਿਆਂ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਮਹੱਤਵ ਟੈਸਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੁੰਜੀ ਹਨ।
