Mintaméret és statisztikai teljesítmény Maximális edzés

Ha az eredményeim nem szignifikánsak, valóban nincs hatása, vagy az, hogy a vizsgálat nem volt képes kimutatni?

Vagy éppen ellenkezőleg, ha jelentős eredményeim vannak, akkor valóban ilyen pozitívak-e, vagy a kísérlet túlbecsüli-e a kezelés hatásait?

És végül hogyan kell megterveznünk tanulmányunkat, hogy nagyobb esélyt kapjunk a jelentős hatások észlelésére?.

Bizonyára valamikor belebotlott ezekbe a kérdésekbe. Aki nem! Mindegyik a statisztikai erővel függ össze, amelyet ma megpróbálok elmagyarázni Önnek ebben a bejegyzésben.

Leírja annak valószínűségét, hogy egy teszt helyesen azonosítja a valódi, valós hatást. Egyszerűbben fogalmazva, ez a képesség a jel és a zaj megkülönböztetésére. A jel, amelyet keresünk, a kezelés hatása valamilyen, minket érdeklő eredményre.
Képzelje el, hogy meg akarja vizsgálni egy új gyógyszer hatékonyságát az influenza ellen. Arra törekszünk, hogy teszteljük hatékonyságát (jelét). A minket aggasztó zaj az adatok összetettségéből fakad (mennyire változó). Például akkor lesz zaj az eredményekben, ha a gyógyszer hatékonysága nagymértékben függ az egyén életkorától vagy nemétől.

Valóban nincs hatás, vagy a vizsgálat nem volt képes kimutatni? Az eredmények valóban pozitívak, vagy a kísérlet túlbecsüli a kezelés hatásait? ha elemzésének statisztikai ereje alacsony, az eredményeket gyakran nehéz értelmezni.

Kísérleteinket úgy kell megterveznünk, hogy nagy kontrasztot kapjunk, és így biztosak lehetünk abban, hogy képesek leszünk bemutatni a vizsgált hatást.

Általában a 0,80 teljesítmény elfogadható és viszonyítási alapként használható. A kutatók általában úgy tervezze meg kísérleteit, hogy eredményei az idő 80% -ában értelmesek legyenek.

A kezelési (kísérleti vagy műszeres problémák) és a háttér (erősen változó válaszok) zajokat nem lehet ellenőrizni, de igen megfelelően tervezzük meg kísérletünket úgy, hogy nagy teljesítményt kapjunk.

A statisztikai teszt ereje a következőkhöz kapcsolódik:

A minta mérete «n»: a vizsgálatban részt vevő esetek vagy alanyok száma.
A jelentőség „alfa” szintje: a nullhipotézis elutasításának valószínűsége, ha igaz (I. típusú hiba vagy hamis pozitív). Általában 5% -ot, vagy ami ugyanaz, 95% -os konfidenciaszintet feltételezzük (1-alfa).
A "d" vagy "r" effektusméret: a válasz változásának mértéke. Kicsit leegyszerűsítve kiszámíthatunk olyan intézkedéseket, amelyek célkitűzésünknek megfelelően tükrözik a csoportok közötti átlagkülönbségeket (az átlagok különbségét elosztva a szórással), vagy azokat a mértékeket, amelyek jelzik a változók közötti kapcsolatot (korrelációs együttható).

Alacsony teljesítmény jelezhet kis mintaméretet, kisebb alfa vagy kis effektus méretet, és ellenkezőleg nagy teljesítmény esetén.

A statisztikai erő problémáját két alternatív módon közelíthetjük meg:

A priori megközelítés. Feltételezzük a szignifikancia szintjét (pl. 5%), a kívánt teljesítmény értékét (pl. 80%), és a korábbi vizsgálatokból ismerünk becsléseket a detektálandó hatás nagyságáról. Ezért, a cél annak meghatározása, hogy a kutatás során hány tantárgyat kell figyelembe vennünk a kritériumok teljesítése érdekében.
A posteriori megközelítés. Feltételezünk egy szignifikancia szintet (pl. 5%), van egy bizonyos méretű mintánk (amit meg tudtunk csinálni), és kiszámoljuk a vizsgálatunk során megfigyelt hatás nagyságát. Szeretnénk tudni, hogy elemzésünk mekkora erővel fedezte fel ezt a hatásméretet az általunk végzett kutatás során.