புள்ளிவிவர முக்கியத்துவ சோதனை

புள்ளிவிவர முக்கியத்துவ சோதனை

அளவுசார் ஆராய்ச்சியில், மிகவும் பொதுவான கேள்விகளில் ஒன்று: தரவுகளில் காணப்படும் வேறுபாடுகள் அல்லது தொடர்புகள் உண்மையிலேயே "உண்மையானவையா", அல்லது அவை தற்செயலான மாறுபாட்டால் ஏற்பட்ட ஒரு தற்செயல் நிகழ்வா? இதற்குப் பதிலளிக்க, ஆராய்ச்சியாளர்கள் புள்ளியியல் முக்கியத்துவச் சோதனைகளைப் பயன்படுத்துகின்றனர். இந்தச் சோதனைகள், ஒரு குறிப்பிட்ட நிகழ்தகவுக் கட்டமைப்பின் அடிப்படையில், ஒரு மாதிரியிலிருந்து பெறப்பட்ட முடிவுகள் ஒட்டுமொத்த மக்கள் தொகைக்கும் பொதுமைப்படுத்தப்படும் அளவுக்கு வலுவானவையா என்பதைத் தீர்மானிக்க உதவுகின்றன. இந்தச் சொற்கள் தொழில்நுட்ப ரீதியாகத் தோன்றினாலும், அடிப்படைக் கருத்து எளிமையானது: எந்தவொரு விளைவும் இல்லாதிருந்தால் என்ன நடந்திருக்கும் என்பதோடு, நாம் கவனிப்பதை ஒப்பிடுகிறோம்.

வரையறை மற்றும் நோக்கம்

புள்ளிவிவர முக்கியத்துவச் சோதனை என்பது, ஒரு மக்கள் தொகையைப் பற்றிய ஒரு கூற்றுக்கு (கருதுகோள்) தரவுகளிலிருந்து கிடைக்கும் சான்றுகளை மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் ஒரு முறையான செயல்முறையாகும். இரண்டு குழு சராசரிகளுக்கு இடையிலான வேறுபாடு, இரண்டு மாறிகளுக்கு இடையிலான தொடர்பு அல்லது ஒரு சிகிச்சையின் விளைவு போன்ற ஒரு விளைவு, தற்செயலாக நிகழ வாய்ப்பில்லாத அளவிற்குப் பெரியதாகவும், போதுமான அளவு சீரானதாகவும் உள்ளதா என்பதைத் தீர்மானிப்பதே இதன் முதன்மை நோக்கமாகும்.

நடைமுறையில், முக்கியத்துவச் சோதனைகள் ஒரு கோட்பாடு உண்மை என்று 'நிரூபிப்பதில்லை', மாறாக, ஒரு குறிப்பிட்ட அனுமானத்தை தரவுகள் எவ்வளவு வலுவாக நிராகரிக்கின்றன என்பதற்கான ஒரு அளவீட்டை வழங்குகின்றன. இங்குதான், புள்ளியியல் என்பது நிச்சயமற்ற தன்மை நிறைந்த ஒரு தளத்தில் இயங்குகிறது என்பதைப் புரிந்துகொள்வது முக்கியம். இதில் முழுமையான நிச்சயம் என்று எதுவும் இல்லை, மாறாக தரவுகளால் ஆதரிக்கப்படும் ஒரு குறிப்பிட்ட அளவிலான நம்பிக்கை மட்டுமே உள்ளது.

பூஜ்ஜிய கருதுகோள் மற்றும் மாற்று கருதுகோள்

முக்கியத்துவச் சோதனைகள் பொதுவாக இரண்டு கூற்றுகளின் அடிப்படையில் கட்டமைக்கப்படுகின்றன:

1. பூஜ்ஜிய கருதுகோள் (H₀): எந்த வித்தியாசமும் இல்லை, எந்த தொடர்பும் இல்லை, அல்லது எந்த தாக்கமும் இல்லை என்று கூறுகிறது. எடுத்துக்காட்டாக: “வகுப்பு A-யின் சராசரி தரம் வகுப்பு B-யின் சராசரி தரத்திற்கு சமம்,” அல்லது “படிப்பு நேரத்திற்கும் தேர்வு மதிப்பெண்களுக்கும் இடையே எந்த தொடர்பும் இல்லை.”
2. மாற்று கருதுகோள் (H₁ அல்லது Hₐ): ஒரு வேறுபாடு, ஒரு தொடர்பு அல்லது ஒரு செல்வாக்கு உள்ளது என்று கூறுகிறது. எடுத்துக்காட்டாக: “வகுப்பு A-யின் சராசரி தரம் வகுப்பு B-யிலிருந்து வேறுபட்டது,” அல்லது “படிப்பு நேரத்திற்கும் தேர்வு மதிப்பெண்களுக்கும் இடையே ஒரு தொடர்பு உள்ளது.”

முக்கியத்துவச் சோதனைகள், H₀ உண்மை என்ற ஆரம்ப அனுமானத்தின் அடிப்படையில் செயல்படுகின்றன. பின்னர், H₀ உண்மையாக இருக்கும் பட்சத்தில் முடிவுகள் மிகவும் அரிதானவையா என்பதைப் பார்க்க தரவுகள் பகுப்பாய்வு செய்யப்படுகின்றன. அவை அரிதானவையாக இருந்தால், நாம் H₀-ஐ நிராகரிக்க முனைகிறோம்.

p மதிப்பு (p-value) மற்றும் அதன் பொருள்

முக்கியத்துவச் சோதனையின் மையக் கருத்து p-மதிப்பு ஆகும். எளிமையாகச் சொன்னால், பூஜ்ஜிய கருதுகோள் உண்மையாக இருக்கும் பட்சத்தில், தரவுகளில் காணப்பட்ட முடிவைப் போன்ற அல்லது அதைவிடத் தீவிரமான ஒரு முடிவைப் பெறுவதற்கான நிகழ்தகவே p-மதிப்பு ஆகும்.

– p சிறியதாக இருந்தால், H₀ உண்மையாக இருக்கும்போது காணப்பட்ட முடிவுகள் அரிதாகவே நிகழ்கின்றன என்று பொருள், எனவே H₀-ஐ நிராகரிக்க நமக்குக் காரணம் இருக்கிறது.
– p பெரியதாக இருந்தால், H₀ உண்மையாக இருக்கும்பட்சத்திலும், கவனிக்கப்பட்ட முடிவுகள் நிகழ்வதற்கு வாய்ப்புள்ளது என்று பொருள்; எனவே, H₀-ஐ நிராகரிக்க நம்மிடம் போதுமான ஆதாரம் இல்லை.

இருப்பினும், p-மதிப்பு பெரும்பாலும் தவறாகப் புரிந்துகொள்ளப்படுகிறது. p-மதிப்பு என்பது H₀ உண்மையாகவோ அல்லது பொய்யாகவோ இருப்பதற்கான நிகழ்தகவு அல்ல. அது விளைவின் அளவை அளவிடும் ஒரு அளவுகோலும் அல்ல. p-மதிப்பு என்பது, ஒரு குறிப்பிட்ட கட்டமைப்பிற்குள் H₀-க்கு எதிரான சான்றுகளின் வலிமையை மட்டுமே சுட்டிக்காட்டுகிறது.

முக்கியத்துவ நிலை (α)

ஒரு முடிவை எடுக்க, ஆராய்ச்சியாளர்கள் α (ஆல்ஃபா) எனக் குறிக்கப்படும் ஒரு முக்கியத்துவ நிலையை நிர்ணயிக்கின்றனர். பொதுவாகப் பயன்படுத்தப்படும் மதிப்புகள் 0,05 (5%) அல்லது 0,01 (1%) ஆகும். இதற்கான விதி:

– p ≤ α எனில், முடிவுகள் புள்ளியியல் ரீதியாக குறிப்பிடத்தக்கவை எனக் கூறப்படுகின்றன, மேலும் H₀ நிராகரிக்கப்படுகிறது.
– p > α எனில், முடிவு முக்கியத்துவம் அற்றது, மற்றும் H₀ நிராகரிக்கப்படாது.

α-வைத் தேர்ந்தெடுப்பது என்பது முற்றிலும் ஒரு தொழில்நுட்ப முடிவு மட்டுமல்ல, அது சூழலையும் கருத்தில் கொள்கிறது. உதாரணமாக, நோயாளியின் பாதுகாப்பு தொடர்பான மருத்துவ ஆராய்ச்சியில், தவறான முடிவுகளின் அபாயத்தைக் குறைப்பதற்காக, ஆராய்ச்சியாளர்கள் மிகவும் கடுமையான α (0,01) மதிப்பைத் தேர்ந்தெடுக்கலாம்.

வகை I மற்றும் வகை II பிழைகள்

புள்ளிவிவரச் சோதனைகள் நிச்சயமற்ற தன்மையின் கீழ் முடிவெடுப்பதை உள்ளடக்கியிருப்பதால், பிழை ஏற்படுவதற்கான சாத்தியம் எப்போதும் உள்ளது:

1. வகை I பிழை (தவறான நேர்மறை): H₀ உண்மையாக இருக்கும்போது அதை நிராகரிப்பது. இதன் நிகழ்தகவு α-ஆல் கட்டுப்படுத்தப்படுகிறது.
2. வகை II பிழை (தவறான எதிர்மறை): H₁ உண்மையாக இருக்கும்போது H₀-ஐ நிராகரிக்கத் தவறுதல். இதன் நிகழ்தகவு β (பீட்டா) எனக் குறிக்கப்படுகிறது; இதன் நேர்மாறு அடுக்கு எனப்படும், அது 1 − β ஆகும்.

நிஜ உலகச் சூழல்களில், இவ்விரு வகை தவறுகளும் குறிப்பிடத்தக்க விளைவுகளை ஏற்படுத்தக்கூடும். எடுத்துக்காட்டாக, ஒரு மருந்து பலனளிக்காதபோது அது பலனளிக்கும் என்று கருதுவது (வகை I) தீங்கு விளைவிக்கும், அதே சமயம் ஒரு மருந்து உண்மையில் பலனளிக்கும்போது அது பலனளிக்காது என்று கருதுவது (வகை II) சிகிச்சைக்கான வாய்ப்புகளை இழக்க வழிவகுக்கும்.

முக்கியத்துவச் சோதனைகளின் பொதுவான வகைகள்

பல முக்கியத்துவச் சோதனைகள் உள்ளன, மேலும் தேர்வு என்பது நோக்கம், தரவின் வகை மற்றும் பூர்த்தி செய்யப்படும் அனுமானங்களைப் பொறுத்தது. மிகவும் பொதுவாகப் பயன்படுத்தப்படும் சில சோதனைகள் பின்வருமாறு:

– T-சோதனை: இரண்டு குழுக்களின் (எ.கா., சோதனைக் குழு மற்றும் கட்டுப்பாட்டுக் குழு) சராசரிகளை ஒப்பிடுகிறது. இதில் சார்பற்ற மற்றும் இணைந்த T-சோதனை வகைகள் உள்ளன.
– ANOVA: இரண்டிற்கும் மேற்பட்ட குழுக்களின் (எ.கா. மூன்று கற்றல் முறைகள்) சராசரியை ஒப்பிடுகிறது.
– கை-வர்க்க சோதனை: வகைசார் மாறிகளுக்கு (எ.கா. பாலினம் மற்றும் முதன்மைப் பாடத் தேர்வு) இடையேயான தொடர்பைச் சோதிக்கிறது.
– பியர்சன்/ஸ்பியர்மேன் தொடர்புமுறை: இரண்டு எண் மாறிகளுக்கு இடையிலான உறவைச் சோதிக்கிறது (இயல்புநிலைத் தரவுகளுக்கு பியர்சன், வரிசைமுறை/இயல்புநிலையற்ற தரவுகளுக்கு ஸ்பியர்மேன்).
– நேரியல்/லாஜிஸ்டிக் பின்னடைவு: ஒன்று அல்லது அதற்கு மேற்பட்ட முன்கணிப்பு மாறிகளின் தாக்கத்தை விளைவு மாறியின் மீது சோதிக்கிறது.

ஒவ்வொரு சோதனைக்கும் இயல்புநிலை, மாறுபாட்டின் ஒருபடித்தன்மை அல்லது தரவுகளின் சார்பின்மை போன்ற அனுமானங்கள் உள்ளன. இந்த அனுமானங்களை மீறுவது தவறான சோதனை முடிவுகளுக்கு வழிவகுக்கும், எனவே தரவுக் கண்டறிதல் மற்றும் முன்நிபந்தனைச் சோதனைகள் அவசியமானவை.

புள்ளிவிவர முக்கியத்துவம் மற்றும் நடைமுறை முக்கியத்துவம்

முக்கியத்துவச் சோதனையின் மீதான ஒரு விமர்சனம் என்னவென்றால், ஆராய்ச்சியாளர்கள் அதன் நடைமுறை விளைவுகளைக் கருத்தில் கொள்ளாமல், அது "முக்கியமானதா" அல்லது "முக்கியமற்றதா" என்பதில் மட்டுமே அதிக கவனம் செலுத்துகிறார்கள். மிகப் பெரிய மாதிரிகளில், சிறிய வேறுபாடுகளின் தாக்கம் அரிதாகவே கவனிக்கப்பட்டாலும், அவை புள்ளிவிவர ரீதியாக குறிப்பிடத்தக்கவையாக இருக்கலாம். இதற்கு மாறாக, சிறிய மாதிரிகளில், உண்மையில் மிகவும் முக்கியமான விளைவுகள் கூட, போதுமான ஆற்றல் இல்லாததால் முக்கியத்துவத்தை அடையத் தவறக்கூடும்.

எனவே, முக்கியத்துவச் சோதனைகளுடன் எப்போதும் பின்வருவனவும் இணைக்கப்பட வேண்டும்:
– கோஹனின் d, ஈட்டா-வர்க்கம் அல்லது முரண்பாட்டு விகிதம் போன்ற விளைவு அளவுகள்.
ஏற்கத்தக்க அளவுரு மதிப்புகளின் வரம்பைக் காண்பிப்பதற்கான நம்பிக்கை இடைவெளி.

p-மதிப்பு, விளைவின் அளவு மற்றும் நம்பிக்கை இடைவெளி ஆகியவற்றின் ஒருங்கிணைப்பு ஒரு முழுமையான சித்திரத்தை வழங்குகிறது: அதாவது, “ஒரு விளைவு இருக்கிறதா இல்லையா” என்பதை மட்டுமல்ல, “அந்த விளைவு எவ்வளவு பெரியது மற்றும் அந்த மதிப்பீட்டைப் பற்றி நாம் எவ்வளவு உறுதியாக இருக்க முடியும்” என்பதையும் இது விளக்குகிறது.

முக்கியத்துவச் சோதனையை நடத்துவதற்கான பொதுவான வழிமுறைகள்

பொதுவாக, செயல்முறை பின்வருமாறு:
1. ஆய்வு வினாக்களுக்கு ஏற்ப H₀ மற்றும் H₁-ஐ உருவாக்கவும்.
2. α-வைக் கண்டறியவும் (எ.கா. 0,05).
3. தரவின் வகை மற்றும் ஆய்வு வடிவமைப்பிற்கு ஏற்ப சரியான சோதனையைத் தேர்ந்தெடுக்கவும்.
4. சோதனை அனுமானங்களை (இயல்புநிலை, மாறுபாடு, சார்பின்மை போன்றவை) சரிபார்க்கவும்.
5. சோதனைப் புள்ளிவிவரங்களைக் கணக்கிட்டு, p-மதிப்பைப் பெறவும்.
6. p-மதிப்பை α உடன் ஒப்பிட்டு முடிவுகளை எடுக்கவும்.
7. முடிந்த இடங்களில் விளைவு அளவுகள் மற்றும் நம்பிக்கை இடைவெளிகள் உட்பட, முடிவுகளை முழுமையாக அறிக்கையிடவும்.

நல்ல அறிக்கையிடலில், மாதிரிப் பண்புகள், அளவீட்டு முறைகள் மற்றும் ஏற்படக்கூடிய சார்பு போன்ற சூழல் தகவல்களும் அடங்கும்.

மூடுகிறது

தரவு முடிவுகள் மக்கள்தொகை நிலைமைகளைப் பிரதிபலிக்கின்றனவா அல்லது அவை வெறுமனே தற்செயலான மாறுபாட்டின் விளைவா என்பதை மதிப்பிடுவதற்கு, புள்ளியியல் முக்கியத்துவச் சோதனைகள் முக்கியமான கருவிகளாகும். இருப்பினும், இந்தச் சோதனைகள் மட்டுமே அறிவியல் உண்மையின் ஒரே அளவுகோல் அல்ல. p-மதிப்பைத் துல்லியமாகப் புரிந்துகொள்வதுடன், விளைவு அளவு, நம்பிக்கை இடைவெளி மற்றும் முடிவுகளின் பொருத்தப்பாடு குறித்த சூழல்சார் மதிப்பீடு ஆகியவற்றையும் இணைத்துப் பார்க்க வேண்டும்.

சரியாகப் பயன்படுத்தப்படும்போது, ​​முக்கியத்துவச் சோதனைகள் ஆராய்ச்சியை மேலும் புறநிலையானதாகவும் பொறுப்புக்கூறக்கூடியதாகவும் மாற்ற உதவுகின்றன. இதற்கு மாறாக, அவற்றின் அனுமானங்களையும் வரம்புகளையும் புரிந்து கொள்ளாமல் இயந்திரத்தனமாகப் பயன்படுத்தினால், அவை தவறான முடிவுகளுக்கு வழிவகுக்கும். எனவே, தரவு சார்ந்த முடிவுகளை ஆதரிப்பதற்காக முக்கியத்துவச் சோதனைகளைப் பயன்படுத்துவதில், கருத்தியல் புரிதல், சிந்தனைமிக்க விளக்கம் மற்றும் வெளிப்படையான அறிக்கையிடல் ஆகியவை முக்கியமாகும்.