සංඛ්යානමය වැදගත්කම පරීක්ෂණය
ප්රමාණාත්මක පර්යේෂණ වලදී, වඩාත් පොදු ප්රශ්නවලින් එකක් වන්නේ: දත්තවල නිරීක්ෂණය කරන ලද වෙනස්කම් හෝ සම්බන්ධතා සැබවින්ම "සැබෑ" ද, නැතහොත් ඒවා අහඹු විචලනය නිසා ඇති වූ අහඹු සිදුවීමක් ද? මෙයට පිළිතුරු දීමට, පර්යේෂකයන් සංඛ්යානමය වැදගත්කම පරීක්ෂණ භාවිතා කරයි. නිශ්චිත සම්භාවිතා රාමුවක් මත පදනම්ව, නියැදියකින් ලබාගත් ප්රතිඵල ජනගහනයට සාමාන්යකරණය කිරීමට තරම් ශක්තිමත්ද යන්න තීරණය කිරීමට මෙම පරීක්ෂණ උපකාරී වේ. පාරිභාෂික පදය තාක්ෂණික ලෙස පෙනුනද, මූලික සංකල්පය සරල ය: අපි නිරීක්ෂණය කරන දේ බලපෑමක් නොමැති නම් සිදු වූ දේ සමඟ සංසන්දනය කරමු.
අර්ථ දැක්වීම සහ අරමුණ
සංඛ්යානමය වැදගත්කම පරීක්ෂණයක් යනු ජනගහනයක් පිළිබඳ ප්රකාශයක් (උපකල්පනය) සඳහා දත්ත වලින් සාක්ෂි තක්සේරු කිරීමට භාවිතා කරන විධිමත් ක්රියා පටිපාටියකි. එහි මූලික අරමුණ වන්නේ බලපෑමක් - උදාහරණයක් ලෙස, කණ්ඩායම් දෙකක් අතර වෙනස යන්නෙන් අදහස් කරන්නේ, විචල්ය දෙකක් අතර සහසම්බන්ධය හෝ ප්රතිකාරයක බලපෑම - අහම්බෙන් සිදුවීමට ඉඩක් නොමැති තරම් විශාල සහ අනුකූලද යන්න තීරණය කිරීමයි.
ප්රායෝගිකව, වැදගත්කම පරීක්ෂණ මගින් න්යායක් සත්ය බව "ඔප්පු" නොකරයි, නමුත් දත්ත යම් උපකල්පනයක් කොතරම් ප්රබල ලෙස ප්රතික්ෂේප කරනවාද යන්න පිළිබඳ මිනුමක් සපයයි. සංඛ්යාලේඛන ක්රියාත්මක වන්නේ අවිනිශ්චිතතාවයේ ක්ෂේත්රයක් තුළ බව තේරුම් ගැනීම වැදගත් වන්නේ මෙහිදීය. නිරපේක්ෂ නිශ්චිතභාවයක් නැත, නමුත් දත්ත මගින් සහාය දක්වන විශ්වාසනීය මට්ටමකි.
ශුන්ය කල්පිතය සහ විකල්ප කල්පිතය
වැදගත්කම පරීක්ෂණ සාමාන්යයෙන් ප්රකාශ දෙකක් මත ගොඩනගා ඇත:
1. ශුන්ය කල්පිතය (H₀): වෙනසක් නැත, සම්බන්ධතාවයක් නැත, හෝ බලපෑමක් නැතැයි පවසයි. උදාහරණයක් ලෙස: "A පන්තියේ සාමාන්ය ශ්රේණිය B පන්තියට සමාන වේ," හෝ "අධ්යයන වේලාවන් සහ විභාග ලකුණු අතර කිසිදු සම්බන්ධයක් නොමැත."
2. විකල්ප කල්පිතය (H₁ හෝ Hₐ): වෙනසක්, සම්බන්ධතාවයක් හෝ බලපෑමක් ඇති බව සඳහන් කරයි. උදාහරණයක් ලෙස: "A පන්තියේ සාමාන්ය ශ්රේණිය B පන්තියට වඩා වෙනස් ය," හෝ "අධ්යයන වේලාවන් සහ විභාග ලකුණු අතර සම්බන්ධතාවයක් ඇත."
වැදගත්කම පරීක්ෂණ ක්රියාත්මක වන්නේ H₀ සත්ය බවට මූලික උපකල්පනය මත ය. ඉන්පසු, H₀ සත්ය නම් ප්රතිඵල අතිශයින් දුර්ලභ දැයි බැලීමට දත්ත විශ්ලේෂණය කරනු ලැබේ. ඒවා දුර්ලභ නම්, අපි H₀ ප්රතික්ෂේප කිරීමට නැඹුරු වෙමු.
p අගය (p-අගය) සහ එහි අර්ථය
වැදගත්කම පරීක්ෂා කිරීමේ කේන්ද්රීය සංකල්පය p-අගයයි. සරලව කිවහොත්, p-අගය යනු ශුන්ය කල්පිතය සත්ය යැයි උපකල්පනය කරමින් දත්තවල නිරීක්ෂණය කරන ලද ප්රමාණයට වඩා අවම වශයෙන් ආන්තික ප්රතිඵලයක් ලබා ගැනීමේ සම්භාවිතාවයි.
– p කුඩා නම්, එයින් අදහස් වන්නේ H₀ සත්ය වන විට නිරීක්ෂණය කරන ලද ප්රතිඵල කලාතුරකින් සිදුවන බවයි, එබැවින් අපට H₀ ප්රතික්ෂේප කිරීමට හේතු තිබේ.
– p විශාල නම්, එයින් අදහස් වන්නේ H₀ සත්ය නම් නිරීක්ෂණය කරන ලද ප්රතිඵල තවමත් සිදුවිය හැකි බවයි, එබැවින් H₀ ප්රතික්ෂේප කිරීමට අපට ප්රමාණවත් සාක්ෂි නොමැත.
කෙසේ වෙතත්, p-අගය බොහෝ විට වරදවා වටහාගෙන ඇත. p-අගය යනු H₀ සත්ය හෝ අසත්ය බවට ඇති සම්භාවිතාව නොවේ. එය බලපෑමේ විශාලත්වයේ මිනුමක් ද නොවේ. p-අගය හුදෙක් නිශ්චිත රාමුවක් තුළ H₀ ට එරෙහි සාක්ෂිවල ශක්තිය පෙන්නුම් කරයි.
වැදගත්කම මට්ටම (α)
තීරණයක් ගැනීම සඳහා, පර්යේෂකයන් α (ඇල්ෆා) මගින් දක්වන ලද වැදගත්කම මට්ටමක් නියම කරයි. බහුලව භාවිතා වන අගයන් 0,05 (5%) හෝ 0,01 (1%) වේ. රීතිය වන්නේ:
– p ≤ α නම්, ප්රතිඵල සංඛ්යානමය වශයෙන් වැදගත් යැයි කියනු ලබන අතර, H₀ ප්රතික්ෂේප කරනු ලැබේ.
– p > α නම්, ප්රතිඵලය සැලකිය යුතු නොවන අතර, H₀ ප්රතික්ෂේප නොවේ.
α තෝරා ගැනීම තනිකරම තාක්ෂණික තීරණයක් නොවන අතර, එය සන්දර්භය ද සැලකිල්ලට ගනී. උදාහරණයක් ලෙස, රෝගියාගේ ආරක්ෂාව සම්බන්ධ වෛද්ය පර්යේෂණ වලදී, ව්යාජ නිගමනවල අවදානම අඩු කිරීම සඳහා පර්යේෂකයන් වඩාත් දැඩි α (0,01) තෝරා ගත හැකිය.
I වර්ගයේ සහ II වර්ගයේ දෝෂ
සංඛ්යානමය පරීක්ෂණවලට අවිනිශ්චිතතාවයන් යටතේ තීරණ ගැනීම ඇතුළත් වන බැවින්, දෝෂ සඳහා සෑම විටම විභවයක් පවතී:
1. I වර්ගයේ දෝෂය (අසත්ය ධනාත්මක): H₀ සත්ය වන විට H₀ ප්රතික්ෂේප කිරීම. සම්භාවිතාව α මගින් පාලනය වේ.
2. II වර්ගයේ දෝෂය (ව්යාජ සෘණ): H₁ සත්ය වන විට H₀ ප්රතික්ෂේප කිරීමට අපොහොසත් වීම. සම්භාවිතාව β (බීටා) මගින් දක්වනු ලැබේ; ප්රතිලෝමය බලය ලෙස හැඳින්වේ, එය 1 − β වේ.
සැබෑ ලෝක සන්දර්භයන්හිදී, දෝෂ වර්ග දෙකම සැලකිය යුතු ප්රතිවිපාක ඇති කළ හැකිය. නිදසුනක් වශයෙන්, ඖෂධයක් ඵලදායී නොවන විට (I වර්ගය) එය ඵලදායී යැයි උපකල්පනය කිරීම හානිකර විය හැකි අතර, ඖෂධයක් ඇත්ත වශයෙන්ම ඵලදායී වන විට (II වර්ගය) එය අකාර්යක්ෂම යැයි උපකල්පනය කිරීම චිකිත්සක අවස්ථා මග හැරීමට හේතු විය හැක.
පොදු වැදගත්කම පරීක්ෂණ වර්ග
බොහෝ වැදගත්කම පරීක්ෂණ ඇති අතර, තේරීම රඳා පවතින්නේ අරමුණ, දත්ත වර්ගය සහ සපුරාලන උපකල්පන මත ය. බහුලව භාවිතා වන සමහරක් නම්:
– T-පරීක්ෂණය: කණ්ඩායම් දෙකක මාධ්යයන් සංසන්දනය කරයි (උදා: පර්යේෂණාත්මක එදිරිව පාලනය). ස්වාධීන සහ යුගල කළ t-පරීක්ෂණ අනුවාද ඇත.
– ANOVA: කණ්ඩායම් දෙකකට වඩා වැඩි ගණනක සාමාන්යය සංසන්දනය කරයි (උදා: ඉගෙනුම් ක්රම තුනක්).
– චි-චතුරස්ර පරීක්ෂණය: වර්ගීකරණ විචල්යයන් අතර සම්බන්ධතාවය පරීක්ෂා කරයි (උදා: ස්ත්රී පුරුෂ භාවය සහ ප්රධාන තේරීම).
– පියර්සන්/ස්පියර්මන් සහසම්බන්ධය: සංඛ්යාත්මක විචල්ය දෙකක් අතර සම්බන්ධතාවය පරීක්ෂා කරයි (සාමාන්ය දත්ත සඳහා පියර්සන්, සාමාන්ය/සාමාන්ය නොවන දත්ත සඳහා ස්පියර්මන්).
– රේඛීය/ප්රවාහන ප්රතිගමනය: ප්රතිඵල විචල්යයට පුරෝකථන විචල්ය එකක් හෝ කිහිපයක් බලපාන ආකාරය පරීක්ෂා කරයි.
සෑම පරීක්ෂණයකටම සාමාන්යභාවය, විචලනයේ සමජාතීයතාවය හෝ දත්තවල ස්වාධීනත්වය වැනි උපකල්පන ඇත. මෙම උපකල්පන උල්ලංඝනය කිරීම නොමඟ යවන පරීක්ෂණ ප්රතිඵලවලට හේතු විය හැක, එබැවින් දත්ත රෝග විනිශ්චය සහ පූර්ව අවශ්යතා පරීක්ෂණ අත්යවශ්ය වේ.
සංඛ්යානමය වැදගත්කම vs ප්රායෝගික වැදගත්කම
වැදගත්කම පරීක්ෂාව පිළිබඳ එක් විවේචනයක් නම්, පර්යේෂකයන් එහි ප්රායෝගික ඇඟවුම් සලකා නොබලා එය "සැලකිය යුතු" හෝ "නොවැදගත්" ද යන්න කෙරෙහි ඕනෑවට වඩා අවධානය යොමු කරන බවයි. ඉතා විශාල සාම්පල සමඟ, කුඩා වෙනස්කම් සංඛ්යානමය වශයෙන් වැදගත් විය හැකි නමුත්, ඒවායේ බලපෑම යන්තම් කැපී පෙනේ. අනෙක් අතට, කුඩා සාම්පල සමඟ, ඇත්ත වශයෙන්ම ඉතා වැදගත් බලපෑම් ප්රමාණවත් බලයක් නොමැතිකම නිසා වැදගත්කමට ළඟා වීමට අසමත් විය හැකිය.
එබැවින්, වැදගත්කම පරීක්ෂණ සෑම විටම පහත සඳහන් දෑ සමඟ තිබිය යුතුය:
– කොහෙන්ගේ d, eta-squared, හෝ odds අනුපාතය වැනි බලපෑම් ප්රමාණ.
- සාධාරණ පරාමිති අගයන්හි පරාසය පෙන්වීමට විශ්වාසනීය පරතරය.
p-අගය, බලපෑම් ප්රමාණය සහ විශ්වාසනීය පරතරයේ සංයෝජනය වඩාත් සම්පූර්ණ චිත්රයක් සපයයි: “බලපෑමක් තිබේද නැද්ද” යන්න පමණක් නොව, “බලපෑම කොතරම් විශාලද සහ එම ඇස්තමේන්තුව පිළිබඳව අපට කෙතරම් නිශ්චිත විය හැකිද” යන්නයි.
වැදගත්කම පරීක්ෂණයක් පැවැත්වීම සඳහා පොදු පියවර
පොදුවේ ගත් කල, ක්රියා පටිපාටිය පහත පරිදි වේ:
1. පර්යේෂණ ප්රශ්නවලට අනුව H₀ සහ H₁ සකස් කරන්න.
2. α (උදා: 0,05) නිර්ණය කරන්න.
3. දත්ත වර්ගය සහ පර්යේෂණ සැලසුම් අනුව නිවැරදි පරීක්ෂණය තෝරන්න.
4. පරීක්ෂණ උපකල්පන (සාමාන්යතාවය, විචලනය, ස්වාධීනත්වය, ආදිය) පරීක්ෂා කරන්න.
5. පරීක්ෂණ සංඛ්යාලේඛන ගණනය කර p-අගය ලබා ගන්න.
6. p-අගය α සමඟ සංසන්දනය කර නිගමනවලට එළඹෙන්න.
7. හැකි සෑම විටම බලපෑම් ප්රමාණයන් සහ විශ්වාසනීය අන්තරයන් ඇතුළුව ප්රතිඵල සම්පූර්ණයෙන්ම වාර්තා කරන්න.
හොඳ වාර්තාකරණයට නියැදි ලක්ෂණ, මිනුම් ක්රම සහ විභව නැඹුරුව වැනි සන්දර්භය ද ඇතුළත් වේ.
වසා දැමීම
දත්ත සොයාගැනීම් ජනගහන තත්ත්වයන් පිළිබිඹු කරනවාද නැතහොත් අහඹු විචලනයක ප්රතිඵලයක්ද යන්න තක්සේරු කිරීම සඳහා සංඛ්යානමය වැදගත්කම පරීක්ෂණ වැදගත් මෙවලම් වේ. කෙසේ වෙතත්, මෙම පරීක්ෂණ විද්යාත්මක සත්යයේ එකම තීරකයා නොවේ. p-අගය නිශ්චිතව තේරුම් ගත යුතු අතර, බලපෑම් ප්රමාණය, විශ්වාසනීය පරතරය සහ ප්රතිඵලවල අදාළත්වය පිළිබඳ සන්දර්භීය තක්සේරුවක් සමඟ ඒකාබද්ධ කළ යුතුය.
නිවැරදිව භාවිතා කළ විට, වැදගත්කම පරීක්ෂණ පර්යේෂණ වඩාත් වෛෂයික සහ වගවීම සඳහා උපකාරී වේ. අනෙක් අතට, ඒවායේ උපකල්පන සහ සීමාවන් තේරුම් නොගෙන යාන්ත්රිකව භාවිතා කළහොත්, ඒවා වැරදි නිගමනවලට තුඩු දිය හැකිය. එබැවින්, සංකල්පීය අවබෝධය, කල්පනාකාරී අර්ථ නිරූපණය සහ විනිවිද පෙනෙන වාර්තාකරණය දත්ත මත පදනම් වූ තීරණ සඳහා සහාය වීම සඳහා වැදගත්කම පරීක්ෂණ භාවිතා කිරීම සඳහා යතුරයි.
