In der statistischen Analyse , " Bedeutung " hat eine besondere technische Bedeutung . Im allgemeinen Sprachgebrauch , können erhebliche bedeuten, dass etwas Sinn hat , oder ist wichtig. Allerdings, wenn Wissenschaftler und andere Daten -Analysten sagen , dass ein Ergebnis signifikant war , sie nicht einfach bedeuten, einen großen oder bemerkenswerte Feststellung . Sie bedeuten, dass die Ergebnisse in der Studie erhalten haben, bestimmte statistische Bedingungen erfüllt . Bedeutung Testing
A " Hypothese " ist eine Vorhersage oder eine Erklärung für ein bestimmtes Phänomen. In der Wissenschaft sind diese Hypothesen in Studien, in denen Daten gesammelt und dann analysiert, um festzustellen, ob es unterstützt oder widerlegt die Hypothese getestet. Da jedoch Datenerhebung und-analyse ist nie perfekt , es gibt immer eine gewisse Wahrscheinlichkeit, dass ein positives Ergebnis , auch wenn die Hypothese ist eigentlich falsch . Bedeutung Tests versucht , herauszufinden, was diese Wahrscheinlichkeit ist , desto geringer ist die Wahrscheinlichkeit , desto signifikanter die Ergebnisse
P-Werte
Bedeutung berichtet wird mit einem "p -Wert . . " Dieser Wert misst Wahrscheinlichkeit von Null , dh 0 -prozentige Chance , und 1 , was bedeutet 100-prozentige Chance . Je näher der Wert Null ist , desto schwieriger ist es , die Ergebnisse in der Analyse durch Zufall erhalten zu bekommen, und damit die mehr Vertrauen können die Forscher in den Ergebnissen haben . . Der p-Wert wird durch komplexe Analyse-Verfahren berechnet , in der Regel mit Hilfe spezieller Software-Programme
Alpha
Eine wichtige Frage für Analysten zu fragen : "Was p akzeptabel ist ? "This" akzeptable " wird als alpha, und es ist die Trennstelle , unter dem die Ergebnisse als statistisch signifikant. In vielen Bereichen, einschließlich der Psychologie, Soziologie und Wirtschaftswissenschaften, ist alpha bis 0,05 eingestellt . Dies bedeutet, dass , wenn die Wahrscheinlichkeit, die Ergebnisse durch Zufall ist 5 Prozent oder weniger, sie als statistisch signifikant.
Typ I und Typ II Fehler
Die alpha-Niveau hat wichtige Implikationen . Wenn zu hoch eingestellt , zum Beispiel 0,2 , werden Fehlalarme durch die Maschen fallen und Analysten davon ausgehen, eine Wirkung , wenn es nicht ein. Dies ist eine Typ-I- Fehler. Wenn zu niedrig eingestellt , zum Beispiel 0.0001 , möglicherweise falsche gemacht werden und Forscher können keinen Einfluss nehmen , wenn es einen gibt. Dies ist ein Typ-II- Fehler. Es gibt keinen wissenschaftlichen Weg zu alpha gesetzt, und die häufig verwendeten 0,05 Konvention ist im Wesentlichen willkürlich.
Einschränkungen
Eine wesentliche Einschränkung der NHST ist, dass der p-Wert hoch ist beeinflusst durch die Anzahl von Datenpunkten in der Analyse . Wenn es tausende von Datenpunkten sind in der Analyse , auch sehr kleine Effekte können statistisch signifikant. So könnte ein signifikanter Effekt in einer Studie nicht etwas darstellen , die mit einer Wirkung ist in der realen Welt. Um dies zu umgehen , wird in der Regel Bedeutung mit anderen Statistiken , wie der Effekt " Größe ", die die Größe des Unterschieds annähert kombiniert .
