İçeriğe atla
Arama sonuçlarına dön

Hipotez Testi Araştırması — Onaylayıcı Nicel Tasarım

Ortaya koyan
Karl Pearson, Ronald A. Fisher, Jerzy Neyman, Egon Pearson
Yıl
Early 20th century (Fisher 1925; Neyman–Pearson 1933)
Tür
Quantitative confirmatory research design
Aile
Survey / observational design

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Hipotez testi araştırması, araştırmacının kuramdan bir veya daha fazla açık, yanlışlanabilir önerme türettiği, bunları bir sıfır hipotezine (H0) ve bir alternatif hipoteze (H1) dönüştürdüğü, ampirik veriler topladığı ve ardından H0'ı reddetmek için yeterli kanıt olup olmadığına karar vermek üzere bir çıkarımsal istatistiksel test uyguladığı nicel bir tasarımdır.

Bu yaklaşım, sosyal, davranışsal, sağlık ve doğa bilimleri genelinde onaylayıcı bilimin baskın paradigmasıdır.

Yöntemin mantığı

Bir mahkeme salonunu düşünün: H0 masumiyet karinesidir ve istatistiksel test yargılamadır. Kanıt (veri) toplarsınız, titiz bir karar kuralı (önemlilik düzeyi alfa) uygularsınız ve ya masumiyeti reddedersiniz ya da reddedemezsiniz — hiçbir zaman şüphenin ötesinde suçu kanıtlamazsınız, yalnızca belirli bir şüphe eşiğinin ötesinde. Güzelliği disiplindir: hipoteze ve karar kuralına veriye bakmadan önce bağlı kalarak, aslında hiç var olmayan örüntüleri bulma eğilimindeki çok insani eğilime karşı korunursunuz.

Tarih

Sıfır hipotezi anlamlılık testinin resmi aygıtı, yirminci yüzyılın başlarındaki iki paralel gelenekten ortaya çıkmıştır. Ronald A. Fisher, 1925 tarihli Statistical Methods for Research Workers'da p-değerlerini ve anlamlılık testini verilerden tümdengelimsel çıkarım için bir araç olarak tanıttı. Jerzy Neyman ve Egon Pearson (1933), önceden belirlenmiş alfa düzeyleri, iki rakip hipotez ve Tip I / Tip II hata kontrolü çerçevesini önerdi. İki çerçeve mantıksal olarak farklı olsa da, yüzyılın ortasına gelindiğinde davranış bilimlerinde hibrit bir standart uygulama haline geldi, Kerlinger (1973, 1986) tarafından kodlandı ve Cohen'in istatistiksel güç (1969, 1988) üzerine çalışmalarıyla pekiştirildi.

Ne zaman kullanılır?

Belirli, kuramdan türetilmiş bir ilişki, fark veya etki hakkında bir tahmininiz olduğunda ve savunulabilir, tekrarlanabilir bir karar prosedürüne ihtiyaç duyduğunuzda hipotez testi araştırmasını kullanın. Araştırma sorularının keşfedici ('X müdahalesi Y sonucunu azaltır mı?') yerine onaylayıcı olduğu durumlarda doğru tasarımdır. Sayısal veri ve yeterli istatistiksel gücü elde etmek için yeterince büyük bir örneklem (genellikle en az %80) gerektirir. (a) Önceden bir kuramınız yoksa ve amaç keşifse — bunun yerine keşfedici veya betimleyici tasarımlar kullanın; (b) örneklem, makul etki büyüklüklerini tespit etmek için çok küçükse, sinyalden çok gürültü üreten yetersiz güçlü testler üretiyorsa; veya (c) verileri gördükten sonra hipotezleri ayarlarsanız (HARKing), bu onaylayıcı mantığı tamamen geçersiz kılar.

Sınırlar ve dikkat edilmesi gerekenler

  • İstatistiksel anlamlılık (p < alfa), pratik veya klinik anlamlılık ile eşit değildir — yeterince büyük bir örneklemle önemsiz bir etki oldukça anlamlı olabilir.
  • İkili reddet/reddetmeme kararı sürekli kanıtları atar; sınırdaki sonuçlar (p = 0.049 vs. p = 0.051) kategorik olarak farklı muamele görür.
  • Yetersiz güçlü çalışmalar, yüksek Tip II hata oranları (yanlış negatifler) ve paradoksal olarak, anlamlı sonuçlar ürettiklerinde şişirilmiş etki büyüklüğü tahminleri üretir.
  • Düzeltme olmaksızın çoklu test, Tip I hatayı (yanlış pozitifler) artırır; bu pratikte sıklıkla göz ardı edilir.
  • Mantık, hipotezlerin veri toplama işleminden önce sabitlendiğini varsayar — ihlaller (HARKing, p-hacking, isteğe bağlı durdurma) yaygındır ve sonuçları geçersiz kılar.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Şans bulgularının sonradan gerekçelendirilmesine karşı koruma sağlayan şeffaf, önceden belirlenmiş bir karar kuralı sağlar.
  • Teorik tahminleri doğrudan test eder, bu da onu kümülatif, tekrarlanabilir bilimin temel taşı yapar.
  • p-değerleri, güven aralıkları ve etki büyüklükleri aracılığıyla belirsizliği nicelleştirir, çalışmalar arasında karşılaştırmayı kolaylaştırır.
  • Meta-analitik sentez ile iyi desteklenir — hipotez testi çalışmaları laboratuvarlar ve tekrarlar arasında havuzlanabilir.
  • Neredeyse tüm nicel disiplinlerdeki dergiler, fon sağlayıcılar ve politika yapıcılar tarafından yaygın olarak anlaşılır ve kabul edilir.

Uygulama alanları

  • Eğitim araştırmalarında, yeni bir öğretim yönteminin bir kontrol koşuluna kıyasla öğrenci başarısını iyileştirip iyileştirmediğini test etmek.
  • Klinik bir müdahalenin plasebo grubuna kıyasla semptom şiddetini anlamlı ölçüde azaltıp azaltmadığını değerlendirmek.
  • Cinsiyet, sosyoekonomik durum veya diğer grup değişkenlerinin psikolojik sonuçlardaki farklılıkları tahmin edip etmediğini incelemek.
  • Örgütsel davranışta teorik çerçevelerden türetilen yapısal eşitlik modellerini veya regresyon katsayılarını test etmek.
  • Pazarlama tedavisinin (fiyat, mesaj çerçevesi) deneysel ekonomide tüketici seçimini anlamlı ölçüde değiştirip değiştirmediğini değerlendirmek.
  • Uzunlamasına program değerlendirmelerinde, çift veya tekrarlanan ölçümler testleri kullanarak müdahale öncesi ve sonrası puanları karşılaştırmak.

Nasıl çalışır?

Nasıl çalışır?

1

Araştırmacı, mevcut kuramdan veya önceki bulgulardan bir veya daha fazla test edilebilir hipotez türetir. Her hipotez, bir sıfır hipotezi (H0, varsayılan 'etkisizlik' iddiası) ve bir alternatif hipotez (H1, öngörülen etki veya ilişki) olarak ifade edilir. Her ikisi de onaylayıcı mantığı korumak için veri toplama işleminden önce kesin olarak belirtilmelidir.

2

H0 lehine veya aleyhine geçerli kanıt sağlayabilecek bir çalışma tasarımı seçilir — anket, deney, yarı-deney veya gözlemsel. Kritik olarak, araştırmacı, varsayılan etkiyi yeterli olasılıkla tespit etmek için gereken minimum örneklem boyutunu belirlemek üzere a priori bir güç analizi (etki büyüklüğü, alfa ve istenen güç kullanılarak) yürütür.

3

Veriler, önceden belirlenmiş tasarıma göre toplanır. Ölçüm araçları güvenilirlik ve geçerlilik göstermelidir. Örneklem istatistiklerinden popülasyon parametrelerine çıkarımsal sıçramayı desteklemek için örnekleme rastgele veya yeterince temsil edici olmalıdır.

4

Verilere uygun bir çıkarımsal test (t-testi, ANOVA, ki-kare, regresyon vb.) uygulanır. Test, H0'ın doğru olduğu varsayımı altında, elde edilen sonuçlar kadar aşırı sonuçlar gözlemleme olasılığını veren bir p-değeri üretir. Önceden belirlenmiş alfa düzeyi (yaygın olarak 0.05) karar eşiği olarak hizmet eder.

Formül
H_0: \mu_1 = \mu_2 \quad \text{vs} \quad H_1: \mu_1 \neq \mu_2
5

Eğer p < alfa ise, H0, H1 lehine reddedilir ve bulgu istatistiksel olarak anlamlı ilan edilir; pratik büyüklüğü iletmek için etki büyüklüğü ve güven aralıkları da raporlanır. Eğer p >= alfa ise, araştırmacı H0'ı reddetmekte başarısız olur — bu H0'ı doğrulamak anlamına gelmez ancak onu varsayılan olarak bırakır. Sonuçlar orijinal teorik çerçeve ışığında yorumlanır.

Formül
p < \alpha \Rightarrow \text{reject } H_0

Sık yapılan hatalar

  • HARKing (Sonuçlar Bilindikten Sonra Hipotez Kurma) — sonradan elde edilen bir hipotezi önceden belirtilmiş gibi sunmak, keşfedici bulguları yanlış onaylara dönüştürür. Ön kayıt, standart çözümdür.
  • Gücü göz ardı etmek: güç analizi yapmadan bir çalışma yürütmek ve ardından anlamlı olmayan bir sonucu 'etki yok' olarak yorumlamak yaygın ve ciddi bir hatadır. Yetersiz güçlü bir çalışmadan elde edilen anlamlı olmayan bir p-değeri bilgilendirici değildir.
  • p-değerini etki büyüklüğü ile karıştırmak: pratik önemi değerlendirebilmeleri için okuyuculara her zaman p-değerlerinin yanında Cohen'in d'si, eta-kare, r'si veya eşdeğeri rapor edin.
  • Alfa balıkçılığı (p-hacking): birden fazla sonuç, alt grup veya model spesifikasyonunu test etmek ve yalnızca anlamlı olanları raporlamak. Bonferroni, Benjamini–Hochberg uygulayın veya tüm analizleri önceden kaydedin.
  • H0'ı reddetmeyi H0'ın doğru olduğunun kanıtı olarak ele almak: Etkinin yokluğunu göstermeyi hedefliyorsanız, eşdeğerlik testi (TOST) veya Bayesci yöntemler kullanın.

Sık sorulan sorular

Hipotez testi araştırması ile onaylayıcı araştırma arasındaki fark nedir?

Hipotez testi araştırması, özel mekanizmadır — resmi istatistiksel prosedür (H0 vs. H1, p-değeri, alfa). Onaylayıcı araştırma, kabul edilmeden önce teoriye dayalı tahminlerin yeni verilere karşı test edilmesi gerektiği yönündeki daha geniş tasarım felsefesidir. Tüm hipotez testi araştırmaları özünde onaylayıcıdır, ancak onaylayıcı araştırma, klasik NHST çerçevesi olmadan model karşılaştırması veya Bayesci güncellemeyi de içerebilir.

Doğru önemlilik düzeyini (alfa) nasıl seçerim?

Alfa = 0.05, çoğu sosyal ve davranışsal bilimde geleneksel varsayılan değerdir, ancak evrensel bir gerçek değil, sosyal bir konvansiyondur. Yanlış pozitiflerin özellikle maliyetli olduğu durumlarda (örneğin, pahalı bir müdahale önermek) alfa = 0.01 kullanın. Yanlış negatiflerin daha büyük endişe kaynağı olduğu keşfedici-onaylayıcı tasarımlarda alfa = 0.10 kullanın. Her zaman yöntemler bölümünde seçiminizi gerekçelendirin ve her zaman eşik kararına ek olarak kesin p-değerlerini rapor edin.

Sonucum anlamlı değil. Etki olmadığını söyleyebilir miyim?

Hayır. Anlamlı olmayan bir sonuç, yalnızca verilerin seçilen alfa düzeyinde H0'ı reddetmek için yeterli kanıt sağlamadığı anlamına gelir — H0'ı doğrulamaz. Olumlu bir 'anlamlı etki yok' iddiasında bulunmak için resmi bir eşdeğerlik testi (örneğin, iki tek taraflı test, TOST) veya H0 lehine H1'e göre kanıtları nicelleştiren bir Bayesci analize ihtiyacınız vardır.

Ön kayıt nedir ve neden önemlidir?

Ön kayıt, hipotezlerinizi, tasarımınızı, örneklem boyutunuzu ve analiz planınızı veri toplamadan önce (OSF, AsPredicted veya benzeri bir kayıt kuruluşu aracılığıyla) kamuya açık olarak kaydetmek anlamına gelir. Onaylayıcı ve keşfedici analizler arasında net bir çizgi çeker, sonradan keşfedici bir bulguyu hipoteze dayalı bir bulgu olarak sunmayı imkansız hale getirir. Dergiler giderek artan bir şekilde ön kaydı bir kalite göstergesi olarak gerektirir veya ödüllendirir.

p-değerlerinin yanında etki büyüklüklerini rapor etmeli miyim?

Evet — bu artık APA Yayın El Kitabı (7. baskı) ve çoğu büyük dergi tarafından zorunlu kabul edilmektedir. İstatistiksel anlamlılık, örneklem boyutunuz göz önüne alındığında bir etkinin sıfırdan ayırt edilebilir olup olmadığını söyler; etki büyüklüğü (Cohen'in d'si, r'si, eta-kare'si, odds oranı) etkinin gerçekte ne kadar büyük veya anlamlı olduğunu söyler. Küçük bir etki büyüklüğü ile anlamlı bir p-değeri, genellikle önemsiz derecede küçük bir gerçek dünya etkisine işaret eder.

İlgili yöntemler

Kaynaklar

  1. Kerlinger, F. N., & Lee, H. B. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.

    ISBN: 978-0030417603
    Kopyalandı.
  2. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

    ISBN: 978-0805802832
    Kopyalandı.