Statistinis reikšmingumas

Rezultatai, gauti naudojant tam tikrą tyrimo procedūrą, vadinami statistiškai reikšmingas, jeigu jų atsitiktinio atsiradimo tikimybė labai maža. Šią koncepciją galima iliustruoti monetos metimo pavyzdžiu. Tarkime, moneta išmesta 30 kartų; Galvos iškilo 17 kartų, o uodegos – 13 kartų. Ar tai daro reikšmingasšio rezultato nukrypimas nuo laukiamo (15 galvų ir 15 uodegų), ar šis nuokrypis yra atsitiktinis? Norėdami atsakyti į šį klausimą, galite, pavyzdžiui, tą pačią monetą mesti daug kartų, 30 kartų iš eilės ir tuo pačiu metu pažymėti, kiek kartų kartojasi „galvų“ ir „uodegų“ santykis 17:13. Statistinė analizė išgelbėja mus nuo šio varginančio proceso. Su jo pagalba po pirmųjų 30 monetos metimų galite įvertinti galimą atsitiktinių 17 „galvų“ ir 13 „uodegų“ skaičių. Toks vertinimas vadinamas tikimybiniu teiginiu.

Pramoninės-organizacinės psichologijos mokslinėje literatūroje tikimybinis teiginys matematine forma žymimas posakiu R(tikimybė)< (менее) 0,05 (5 %), которое следует читать как «вероятность менее 5 %». В примере с киданием монеты это утверждение будет означать, что если исследователь проведет 100 опытов, каждый раз кидая монету по 30 раз, то он может ожидать случайного выпадения комбинации из 17 «орлов» и 13 «решек» менее, чем в 5 опытах. Этот результат будет сочтен статистически значимым, поскольку в индустриально-организационной психологии уже давно приняты стандарты statistinis reikšmingumas 0,05 ir 0,01 (R< 0,01). Šis faktas yra svarbus norint suprasti literatūrą, bet neturėtų būti suprantamas kaip beprasmiška atlikti šių standartų neatitinkančius stebėjimus. Vadinamieji nereikšmingi tyrimų rezultatai (stebėjimai, kuriuos galima gauti atsitiktinai) daugiau 1–5 kartus iš 100) gali būti labai naudingas nustatant tendencijas ir kaip vadovas būsimiems tyrimams.

Taip pat reikėtų pažymėti, kad ne visi psichologai sutinka su tradiciniais standartais ir procedūromis (pvz., Cohen, 1994; Sauley ir Bedeian, 1989). Matavimo problemos yra pačios savaime Pagrindinė tema daugelio tyrėjų darbai, tiriantys matavimo metodų tikslumą ir prielaidas, kuriomis grindžiamas esamus metodus ir standartus, taip pat naujų gydytojų ir priemonių kūrimą. Galbūt kada nors ateityje šios galios tyrimai pakeis tradicinius statistinio reikšmingumo vertinimo standartus ir šie pokyčiai sulauks visuotinio pripažinimo. (Penktasis Amerikos psichologų asociacijos skyrius yra psichologų grupė, kuri specializuojasi vertinimo, matavimo ir statistikos tyrime.)

Tyrimų ataskaitose tikimybinis teiginys, pvz R< 0,05, dėl kai kurių statistika, tai yra skaičius, kuris gaunamas atlikus tam tikrą matematinių skaičiavimo procedūrų rinkinį. Tikimybinis patvirtinimas gaunamas palyginus šią statistiką su specialių šiam tikslui publikuojamų lentelių duomenimis. Pramoniniuose-organizaciniuose psichologiniuose tyrimuose tokia statistika kaip r, F, t, r>(skaitykite „chi kvadratą“) ir R(skaitykite "daugiskaita" R"). Kiekvienu atveju statistiką (vieną skaičių), gautą analizuojant stebėjimų seriją, galima palyginti su skaičiais iš paskelbtos lentelės. Po to galite suformuluoti tikimybinį teiginį apie tikimybę atsitiktinai gauti šį skaičių, tai yra, padaryti išvadą apie stebėjimų reikšmę.

Norint suprasti šioje knygoje aprašytus tyrimus, pakanka aiškiai suprasti statistinio reikšmingumo sąvoką ir nebūtinai žinoti, kaip skaičiuojama aukščiau minėta statistika. Tačiau būtų naudinga aptarti vieną prielaidą, kuria grindžiamos visos šios procedūros. Tai yra prielaida, kad visi stebimi kintamieji yra maždaug normaliai pasiskirstę. Be to, skaitant pranešimus apie pramoninius-organizacinius psichologinius tyrimus, dažnai susiduriama su dar trimis svarbiomis sąvokomis - pirma, koreliacija ir koreliacinė komunikacija, antra, determinantas / nuspėjamasis kintamasis ir „ANOVA“ (dispersijos analizė). trečia, pagal statistinių metodų grupę Dažnas vardas„metaanalizė“.

3 užduotis. Penkiems ikimokyklinukams atliekamas testas. Kiekvienai užduočiai išspręsti skirtas laikas užrašomas. Ar bus rasta statistiškai reikšmingų skirtumų tarp laiko, per kurį reikia išspręsti pirmuosius tris testo klausimus?

Dalykų skaičius

Pamatinė medžiaga

Ši užduotis pagrįsta dispersinės analizės teorija. Apskritai dispersinės analizės uždavinys yra nustatyti tuos veiksnius, kurie turi reikšmingos įtakos eksperimento rezultatui. Dispersijos analizė gali būti naudojama kelių imčių vidurkiams palyginti, jei imčių yra daugiau nei dvi. Tam naudojama vienpusė dispersinė analizė.

Norint išspręsti pavestas užduotis, priimami šie. Jei optimizavimo parametro gautų verčių dispersijos veiksnių įtakos atveju skiriasi nuo rezultatų dispersijos, kai veiksnių įtakos nėra, toks veiksnys laikomas reikšmingu.

Kaip matyti iš problemos formuluotės, čia naudojami statistinių hipotezių tikrinimo metodai, būtent dviejų empirinių dispersijų patikrinimo uždavinys. Todėl dispersijos analizė yra pagrįsta dispersijų testavimu naudojant Fišerio testą. Atliekant šią užduotį, reikia patikrinti, ar skirtumai tarp kiekvieno iš šešių ikimokyklinukų pirmųjų trijų testo užduočių sprendimo laiko yra statistiškai reikšmingi.

Nulinė (pagrindinė) hipotezė vadinama iškelta hipoteze H o. E esmė slypi prielaidoje, kad skirtumas tarp lyginamų parametrų yra lygus nuliui (taigi ir hipotezės pavadinimas – nulis) ir kad stebimi skirtumai yra atsitiktiniai.

Konkuruojanti (alternatyvi) hipotezė vadinama H1, kuri prieštarauja nulinei hipotezei.

Sprendimas:

Naudodami dispersinės analizės metodą, esant reikšmingumo lygiui α = 0,05, patikrinsime nulinę hipotezę (H o) apie statistiškai reikšmingų skirtumų egzistavimą tarp pirmųjų trijų testo užduočių sprendimo laiko šešiems ikimokyklinukams.

Pažiūrėkime į užduočių sąlygų lentelę, kurioje rasime vidutinį kiekvienos iš trijų testo uždavinių sprendimo laiką

Dalykų skaičius	Faktorių lygiai
	Laikas išspręsti pirmąją testo užduotį (sekundėmis).	Laikas išspręsti antrąją testo užduotį (sekundėmis).	Laikas išspręsti trečiąją testo užduotį (sekundėmis).
Grupės vidurkis

Kaip rasti bendrą vidurkį:

Siekiant atsižvelgti į laiko skirtumų svarbą kiekviename bandyme, bendra imties dispersija yra padalinta į dvi dalis, iš kurių pirmoji vadinama faktorine, o antroji - liekana.

Apskaičiuokime bendrą nuokrypių kvadrato sumą nuo bendro vidurkio pagal formulę

arba , kur p – laiko matavimų, skirtų sprendžiant testo užduotis, skaičius, q – testuojančiųjų skaičius. Norėdami tai padaryti, sukurkime kvadratų lentelę

Dalykų skaičius	Faktorių lygiai
	Laikas išspręsti pirmąją testo užduotį (sekundėmis).	Laikas išspręsti antrąją testo užduotį (sekundėmis).	Laikas išspręsti trečiąją testo užduotį (sekundėmis).

Tyrimas paprastai prasideda nuo tam tikros prielaidos, kurią reikia patikrinti naudojant faktus. Ši prielaida – hipotezė – formuluojama atsižvelgiant į reiškinių ar savybių ryšį tam tikrame objektų rinkinyje.

Norint patikrinti tokias prielaidas su faktais, būtina išmatuoti atitinkamas jų turėtojų savybes. Tačiau visų moterų ir vyrų nerimo išmatuoti neįmanoma, kaip ir visų paauglių agresyvumo. Todėl atliekant tyrimus apsiribojama tik santykinai nedidele atitinkamų žmonių populiacijų atstovų grupe.

Gyventojų skaičius— tai visas objektų, kurių atžvilgiu formuluojama tyrimo hipotezė, rinkinys.

Pavyzdžiui, visi vyrai; arba visos moterys; arba visi miesto gyventojai. Bendrosios populiacijos, kurių atžvilgiu tyrėjas, remdamasis tyrimo rezultatais, darys išvadas, gali būti kuklesnės, pavyzdžiui, visi konkrečios mokyklos pirmokai.

Taigi bendroji populiacija, nors ir nėra begalinė, tačiau, kaip taisyklė, neprieinama nuolatiniams tyrimams, potencialių subjektų rinkinys.

Imtis arba imties visuma- tai riboto skaičiaus objektų grupė (psichologijoje - subjektai, respondentai), specialiai atrinkta iš plačiosios populiacijos, kad ištirtų jo savybes. Atitinkamai, bendrosios populiacijos savybių tyrimas naudojant imtį vadinamas imties tyrimas. Beveik viskas psichologiniai tyrimai atrenkami ir jų išvados apima bendrąsias populiacijas.

Taigi, suformulavus hipotezę ir identifikavus atitinkamas populiacijas, tyrėjas susiduria su imties organizavimo problema. Imtis turi būti tokia, kad būtų pagrįstas imties tyrimo išvadų apibendrinimas – apibendrinimas, jų išplėtimas į bendrą aibę. Pagrindiniai tyrimo išvadų pagrįstumo kriterijai— tai imties reprezentatyvumas ir (empirinių) rezultatų statistinis patikimumas.

Imties reprezentatyvumas- kitaip tariant, jos reprezentatyvumas yra imties gebėjimas gana visapusiškai reprezentuoti tiriamus reiškinius - jų kintamumo bendroje populiacijoje požiūriu.

Žinoma, tik bendroji populiacija gali pateikti išsamų tiriamo reiškinio vaizdą, visą jo diapazoną ir kintamumo niuansus. Todėl reprezentatyvumas visada ribojamas tiek, kiek yra ribota imtis. Ir būtent imties reprezentatyvumas yra pagrindinis kriterijus nustatant tyrimo išvadų apibendrinimo ribas. Tačiau yra technikų, kurios leidžia gauti tyrėjui pakankamą imties reprezentatyvumą (Šie metodai nagrinėjami kurse „Eksperimentinė psichologija“).

Pirmoji ir pagrindinė technika yra paprastas atsitiktinis (atsitiktinis) pasirinkimas. Tai apima tokių sąlygų užtikrinimą, kad kiekvienas populiacijos narys turėtų lygias galimybes būti įtrauktas į imtį. Atsitiktinė atranka užtikrina, kad į imtį gali būti įtraukti įvairūs bendrosios populiacijos atstovai. Tokiu atveju imamasi specialių priemonių, kad atrankos metu neatsirastų bet koks raštas. Ir tai leidžia tikėtis, kad galiausiai imtyje tiriama savybė bus pavaizduota jei ne visa, tai didžiausia įmanoma įvairove.

Antrasis būdas užtikrinti reprezentatyvumą yra stratifikuota atsitiktinė atranka arba atranka pagal bendrosios populiacijos savybes. Tai apima preliminarų tų savybių, kurios gali turėti įtakos tiriamo turto kintamumui, nustatymą (tai gali būti lytis, pajamų ar išsilavinimo lygis ir kt.). Tada nustatomas šiomis savybėmis besiskiriančių grupių (sluoksnių) skaičiaus procentinis santykis bendrojoje aibėje ir užtikrinamas identiškas atitinkamų grupių procentinis santykis imtyje. Toliau tiriamieji atrenkami į kiekvieną imties pogrupį paprastos atsitiktinės atrankos principu.

Statistinis reikšmingumas, arba statistinis reikšmingumas, tyrimo rezultatai nustatomi taikant statistinių išvadų metodus.

Ar esame apdrausti nuo klaidų priimdami sprendimus, darydami tam tikras išvadas iš tyrimo rezultatų? Žinoma ne. Juk mūsų sprendimai yra pagrįsti imties populiacijos tyrimo rezultatais, taip pat mūsų psichologinių žinių lygiu. Mes nesame visiškai apsaugoti nuo klaidų. Statistikoje tokios klaidos laikomos priimtinomis, jei pasitaiko ne dažniau kaip vienu atveju iš 1000 (klaidos tikimybė α = 0,001 arba su tuo susijusi teisingos išvados pasitikėjimo tikimybė p = 0,999); vienu atveju iš 100 (klaidos tikimybė α = 0,01 arba susijusi teisingos išvados patikimumo tikimybė p = 0,99) arba penkiais atvejais iš 100 (klaidos tikimybė α = 0,05 arba susijusi teisingos išvados patikimumo tikimybė p=0,95). Paskutiniuose dviejuose lygmenyse psichologijoje priimami sprendimai.

Kartais, kalbėdami apie statistinį reikšmingumą, jie vartoja „reikšmingumo lygio“ (žymima α) sąvoką. Skaitinės p ir α reikšmės papildo viena kitą iki 1000 - tai visas įvykių rinkinys: arba padarėme teisingą išvadą, arba padarėme klaidą. Šie lygiai nėra skaičiuojami, jie pateikiami. Reikšmingumo lygį galima suprasti kaip savotišką „raudoną“ liniją, kurios susikirtimas leis apie šį įvykį kalbėti kaip apie neatsitiktinį. Kiekvienoje geroje mokslinėje ataskaitoje ar publikacijoje prie padarytų išvadų turi būti nurodytos p arba α vertės, kuriomis remiantis buvo padarytos išvados.

Statistinių išvadų metodai išsamiai aptariami kurse Matematinė statistika. Dabar mes tik pažymime, kad jie turi tam tikrus reikalavimus numeriui arba imties dydis.

Deja, nėra griežtų nurodymų, kaip iš anksto nustatyti reikiamą imties dydį. Be to, atsakymą į klausimą apie reikalingą ir pakankamą skaičių tyrėjas dažniausiai gauna per vėlai – tik išanalizavęs jau apklaustos imties duomenis. Tačiau galima suformuluoti bendriausias rekomendacijas:

1. Kuriant diagnostikos techniką reikalingas didžiausias imties dydis – nuo ​​200 iki 1000-2500 žmonių.

2. Jei reikia lyginti 2 pavyzdžius, bendras jų skaičius turi būti ne mažesnis kaip 50 žmonių; lyginamų mėginių skaičius turėtų būti maždaug toks pat.

3. Jei tiriamas ryšys tarp kokių nors savybių, imties dydis turi būti ne mažesnis kaip 30-35 žmonės.

4. Kuo daugiau kintamumas tiriama savybė, tuo didesnė turėtų būti imties dydis. Todėl kintamumą galima sumažinti padidinus imties homogeniškumą, pavyzdžiui, pagal lytį, amžių ir pan. Tai, žinoma, sumažina galimybę apibendrinti išvadas.

Priklausomi ir nepriklausomi pavyzdžiai. Dažna tyrimo situacija yra tada, kai tyrėją dominanti savybė tiriama dviejuose ar daugiau mėginių tolesniam palyginimui. Šie pavyzdžiai gali būti skirtingomis proporcijomis, priklausomai nuo jų organizavimo tvarkos. Nepriklausomi pavyzdžiai pasižymi tuo, kad kokio nors subjekto atrankos tikimybė vienoje imtyje nepriklauso nuo kurio nors iš kitos imties tiriamųjų atrankos. prieš, priklausomi mėginiai pasižymi tuo, kad kiekvienas tiriamasis iš vienos imties pagal tam tikrą kriterijų yra suderinamas su tiriamuoju iš kitos imties.

Apskritai, priklausomos imtys apima porinį tiriamųjų atranką į palyginamus pavyzdžius, o nepriklausomos imtys reiškia nepriklausomą tiriamųjų atranką.

Pažymėtina, kad „iš dalies priklausomų“ (arba „iš dalies nepriklausomų“) imčių atvejai yra nepriimtini: tai nenuspėjamai pažeidžia jų reprezentatyvumą.

Baigdami pažymime, kad galima išskirti dvi psichologinių tyrimų paradigmas.

Vadinamasis R-metodika apima tam tikros savybės (psichologinio) kintamumo tyrimą, veikiant tam tikrai įtakai, veiksniui ar kitai savybei. Pavyzdys yra dalykų rinkinys.

Kitas požiūris Q metodika, apima subjekto (individo) kintamumo, veikiamo įvairių dirgiklių (sąlygų, situacijų ir kt.), tyrimą. Tai atitinka situaciją, kai mėginys yra stimulų rinkinys.

Statistinio tyrimo uždavinys – nustatyti modelius, kuriais grindžiamas tiriamų reiškinių pobūdis. Rodikliai ir vidutinės vertės turėtų atspindėti tikrovę, kuriai būtina nustatyti jų patikimumo laipsnį. Teisingas imties visumos atvaizdavimas visumoje vadinamas reprezentatyvumu . Imties statistinių verčių tikslumo ir patikimumo matas yra vidutinės reprezentatyvumo (reprezentatyvumo) paklaidos, kurios priklauso nuo imties dydžio ir imties populiacijos įvairovės laipsnio pagal tiriamą charakteristiką.

Todėl norint nustatyti statistinio tyrimo rezultatų patikimumo laipsnį, reikia apskaičiuoti atitinkamą vidutinę paklaidą kiekvienai santykinei ir vidutinei reikšmei. Vidutinė rodiklio paklaida m p apskaičiuojama pagal formulę:

Kai stebėjimų skaičius mažesnis nei 30, kur

P - rodiklio reikšmė procentais, ppm ir kt.

q - šio rodiklio pridėjimas prie 100, jei jis yra procentas, prie 1000, jei % 0 ir t.t. (t. y. q = 100–P, 1000–P ir kt.)

Pavyzdžiui, žinoma, kad per metus regione dizenterija susirgo 224 žmonės. Gyventojų: 33 000. Sergamumo dizenterija rodiklis per

Vidutinė šio rodiklio paklaida

Rodiklio patikimumo laipsnio klausimui išspręsti nustatomas pasikliovimo koeficientas (t), kuris lygus rodiklio ir jo vidutinės paklaidos santykiui, t.y.

Mūsų pavyzdyje

Kuo didesnis t, tuo didesnis pasitikėjimo laipsnis. Esant t=1, rodiklio patikimumo tikimybė yra 68,3%, esant t=2 - 95,5%, esant t=3 - 99,7%. Medicininės statistikos tyrimuose dažniausiai naudojamas 95,5–99,0%, o kritiškiausiais atvejais – 99,7% patikimumo lygis (patikimumas). Taigi, mūsų pavyzdyje, sergamumo rodiklis yra patikimas.

Jei stebėjimų skaičius mažesnis nei 30, kriterijaus reikšmė nustatoma naudojant Stjudento lentelę. Jei gauta vertė yra didesnė arba lygi lentelės reikšmei, indikatorius yra patikimas. Jei jis yra žemesnis, jis nėra patikimas.

Jei reikia palyginti du vienarūšius rodiklius, jų skirtumų patikimumas nustatomas pagal formulę:

(iš didesnio skaičiaus atimamas mažesnis)

kur P 1 – P 2 yra skirtumas tarp dviejų lyginamų rodiklių,

yra dviejų rodiklių skirtumo vidutinė paklaida.

Pavyzdžiui, B regione per metus dizenterija susirgo 270 žmonių. Regione gyvena 45 000 gyventojų. Taigi sergamumas dizenterija:

tie. sergamumo rodiklis yra patikimas.

Kaip matote, dažnis B srityje yra mažesnis nei A zonoje. Skirtumo tarp dviejų rodiklių patikimumui nustatyti naudojame formulę:

Jei yra daug stebėjimų (daugiau nei 30), rodiklių skirtumas yra statistiškai reikšmingas, jei t = 2 ar daugiau. Taigi, mūsų pavyzdyje, dažnis A regione yra žymiai didesnis, nes pasikliovimo koeficientas (t) yra didesnis nei 2.

Žinant rodiklio vidutinės paklaidos reikšmę, galima nustatyti šio rodiklio pasikliovimo ribas priklausomai nuo atsitiktinių priežasčių įtakos. Pasitikėjimo ribos nustatomos pagal formulę:

P – indikatorius;

m yra jo vidutinė paklaida;

t - pasikliovimo koeficientas parenkamas priklausomai nuo reikalaujamos patikimumo reikšmės: t=1 atitinka rezultato patikimumą 68,3 % atvejų, t=2 – 95,5 %, t=2,6 – 99 %, t=3 – 99,7 %, t=3,3 – 99,9 Reikšmė vadinama maksimalia paklaida.

Pavyzdžiui, B regione sergamumo dizenterija dažnis 99,7 9% tikslumu gali svyruoti dėl atsitiktinių veiksnių diapazone, t.y. nuo 49,1 iki 70,9.

Pagrindiniai bet kokio ryšio tarp kintamųjų bruožai.

Du iš labiausiai paprastos savybės priklausomybės tarp kintamųjų: (a) ryšio dydžio ir (b) ryšio patikimumo.

- Didumas . Priklausomybės dydį lengviau suprasti ir išmatuoti nei patikimumą. Pvz., Jei bet kurio mėginio vyro baltųjų kraujo kūnelių skaičius (WCC) buvo didesnis nei bet kurios moters, tuomet galima sakyti, kad ryšys tarp dviejų kintamųjų (lyties ir WCC) yra labai didelis. Kitaip tariant, galite numatyti vieno kintamojo reikšmes iš kito reikšmių.

- Patikimumas ("tiesa"). Tarpusavio priklausomybės patikimumas yra mažiau intuityvi sąvoka nei priklausomybės dydis, tačiau ji yra nepaprastai svarbi. Ryšio patikimumas yra tiesiogiai susijęs su tam tikros imties, kurios pagrindu daromos išvados, reprezentatyvumu. Kitaip tariant, patikimumas reiškia, kokia tikimybė, kad ryšys bus atrastas iš naujo (kitaip tariant, patvirtintas) naudojant duomenis iš kitos imties, paimtos iš tos pačios populiacijos.

Reikia atsiminti, kad galutinis tikslas beveik niekada nėra tirti šios konkrečios vertybių imties; imtis yra įdomi tik tiek, kiek ji suteikia informacijos apie visą populiaciją. Jei tyrimas atitinka tam tikrus konkrečius kriterijus, tada rastų ryšių tarp imties kintamųjų patikimumą galima kiekybiškai įvertinti ir pateikti naudojant standartinį statistinį matą.

Priklausomybės ir patikimumo dydis yra du įvairių savybių priklausomybės tarp kintamųjų. Tačiau negalima teigti, kad jie yra visiškai nepriklausomi. Kuo didesnis ryšys (ryšis) tarp įprasto dydžio imties kintamųjų, tuo jis patikimesnis (žr. kitą skyrių).

Statistinis rezultato reikšmingumas (p lygis) yra įvertintas pasitikėjimo jo „tiesa“ (imties reprezentatyvumo prasme) matas. Techniškai kalbant, p lygis yra matas, kuris kinta mažėjančia tvarka atsižvelgiant į rezultato patikimumą. Daugiau aukštas p lygis atitinka daugiau žemas lygis pasitikėjimas imtyje rastų kintamųjų ryšiu. Būtent, p lygis reiškia klaidos tikimybę, susijusią su stebimo rezultato pasiskirstymu visai populiacijai.

Pavyzdžiui, p lygis = 0,05(t. y. 1/20) rodo, kad yra 5 % tikimybė, kad imtyje rastų kintamųjų ryšys yra tik atsitiktinė imties ypatybė. Daugelyje tyrimų p-lygis 0,05 laikomas „priimtina paklaidos lygio riba“.

Jokiu būdu negalima išvengti savivalės sprendžiant, koks reikšmingumo lygis iš tikrųjų turėtų būti laikomas „reikšmingu“. Pasirinkimas tam tikras lygis reikšmingumas, kurį viršijus rezultatai atmetami kaip klaidingi, yra gana savavališkas.

Apie praktiką Paskutinis sprendimas dažniausiai priklauso nuo to, ar rezultatas buvo prognozuojamas a priori (t. y. prieš atliekant eksperimentą), ar aptiktas a posteriori dėl daugybės įvairių duomenų analizių ir palyginimų, taip pat nuo studijų srities tradicijos.

Paprastai daugelyje laukų p 0,05 rezultatas yra priimtina statistinio reikšmingumo riba, tačiau reikia atsiminti, kad šis lygis vis dar apima nemažai didelė tikimybė klaidų (5 proc.).

Rezultatai, esantys reikšmingais p 0,01 lygyje, paprastai laikomi statistiškai reikšmingais, o rezultatai, esantys p 0,005 arba p 0,00 lygyje, paprastai laikomi statistiškai reikšmingais. 001 kaip labai reikšmingas. Tačiau reikia suprasti, kad toks reikšmingumo lygių klasifikavimas yra gana savavališkas ir tėra neformalus susitarimas, priimtas remiantis praktine patirtimi. tam tikroje studijų srityje.

Aišku, kas didesnis skaičius bus atliekamos surinktų duomenų visumos analizės, tuo daugiau reikšmingų (pasirinktu lygiu) rezultatų bus aptikta grynai atsitiktinai.

Kai kurie statistiniai metodai, kurie apima daug palyginimų ir todėl turi didelę galimybę pasikartoti tokio tipo klaidas, atlieka specialų koregavimą arba pataisymą iš viso palyginimai. Tačiau daugelis statistinių metodų (ypač paprasti metodai tiriamoji duomenų analizė) nesiūlo jokio būdo išspręsti šią problemą.

Jei ryšys tarp kintamųjų yra „objektyviai“ silpnas, nėra kito būdo tokį ryšį patikrinti, kaip tik tirti didelę imtį. Net jei imtis yra visiškai reprezentatyvi, poveikis nebus statistiškai reikšmingas, jei imtis yra maža. Panašiai, jei santykiai „objektyviai“ yra labai stiprūs, tada jį galima aptikti aukštas laipsnis reikšmė net labai mažoje imtyje.

Kuo silpnesnis ryšys tarp kintamųjų, tuo didesnis imties dydis, reikalingas norint jį prasmingai aptikti.

Daug skirtingų santykių matai tarp kintamųjų. Tam tikros priemonės pasirinkimas konkrečiame tyrime priklauso nuo kintamųjų skaičiaus, naudojamų matavimo skalių, ryšių pobūdžio ir kt.

Tačiau daugumai šių priemonių taikomos bendras principas: Jie bando įvertinti pastebėtą priklausomybę, lygindami ją su „didžiausia įsivaizduojama priklausomybe“ tarp nagrinėjamų kintamųjų. Kalbant techniškai, įprastas būdas atlikti tokius įvertinimus yra pažvelgti į tai, kaip kintamųjų reikšmės kinta, ir tada apskaičiuoti, kokią bendros svyravimų dalį galima paaiškinti „bendra“ („bendra“) svyravimais. du (ar daugiau) kintamųjų.

Reikšmė daugiausia priklauso nuo imties dydžio. Kaip jau buvo paaiškinta, labai didelėse imtyse reikšmingi bus net labai silpni ryšiai tarp kintamųjų, o mažose imtyse net labai stiprūs ryšiai nėra patikimi.

Taigi, norint nustatyti statistinio reikšmingumo lygį, reikia funkcijos, kuri atspindėtų ryšį tarp kintamųjų ryšio „dydžio“ ir „reikšmingumo“ kiekvienam imties dydžiui.

Tokia funkcija tiksliai nurodytų „kaip tikimybė gauti tam tikros vertės (ar daugiau) priklausomybę tam tikro dydžio imtyje, darant prielaidą, kad populiacijoje tokios priklausomybės nėra“. Kitaip tariant, ši funkcija suteiktų reikšmingumo lygį
(p lygis), taigi ir tikimybė klaidingai atmesti prielaidą, kad populiacijoje šios priklausomybės nėra.

Tokia „alternatyvi“ hipotezė (kad populiacijoje nėra ryšio) paprastai vadinama nulinė hipotezė.

Būtų idealu, jei funkcija, apskaičiuojanti paklaidos tikimybę, būtų tiesinė ir skirtinguose imčių dydžiuose turėtų skirtingą nuolydį. Deja, ši funkcija yra daug sudėtingesnė ir ne visada lygiai tokia pati. Tačiau daugeliu atvejų jo forma yra žinoma ir gali būti naudojama reikšmingumo lygiams nustatyti tiriant tam tikro dydžio mėginius. Dauguma šių funkcijų yra susietos su paskirstymo klase, vadinama normalus .

Panašūs straipsniai