통계적 유의성은 연구 결과가 단지 우연이 아니라 수학적으로 "진짜"이고 통계적으로 방어 가능한지 여부를 나타내는 객관적인 지표입니다. 일반적으로 사용되는 유의성 검정은 데이터 세트의 평균 차이 또는 데이터 세트 분산의 차이를 찾습니다. 적용되는 테스트 유형은 분석중인 데이터 유형에 따라 다릅니다. 결과가 얼마나 중요한지를 결정하는 것은 연구자들에게 달려 있습니다. 일반적으로 연구자들은 5 %의 위험 수준을 기꺼이 받아들입니다.
유형 I 오류: Null 가설을 잘못 거부
•••Scott Rothstein / iStock / Getty 이미지
특정 가설을 테스트하거나 예상 된 결과가있는 실험 질문을 테스트하기 위해 실험이 수행됩니다. 귀무 가설은 비교되는 두 데이터 세트간에 차이가 없음을 감지하는 가설입니다. 예를 들어, 의학적 시험에서 귀무 가설은 연구 약물을 투여받은 환자와 위약을 투여받은 환자간에 개선 차이가 없다는 것일 수 있습니다. 연구자가이 귀무 가설이 사실 일 때 잘못 기각한다면, 즉 그들이 a를 "발견"한다면 실제로 차이가 없었을 때 두 환자 세트 사이의 차이는 오류. 연구원들은 제 1 종 오류를 범할 위험이 얼마나 많은지를 미리 결정합니다. 이 위험은 귀무 가설을 기각하기 전에 수락 할 최대 p- 값을 기반으로하며 알파라고합니다.
유형 II 오류: 대체 가설을 잘못 거부
대체 가설은 비교되는 두 데이터 세트 간의 차이를 감지하는 가설입니다. 의학적 시험의 경우, 연구 약물을 투여받은 환자와 위약을 투여받은 환자에서 다양한 수준의 개선을 기대할 수 있습니다. 연구자들이 귀무 가설을 기각하지 못하는 경우, 즉 그들이 아니오를 "감지"한다면 실제로 차이가 있었을 때 두 환자 세트 사이의 차이는 다음과 같습니다. II 오류입니다.
중요성 수준 결정
연구원이 통계적 유의성 검정을 수행하고 결과 p- 값이 허용 가능한 위험 수준보다 작 으면 검정 결과가 통계적으로 유의 한 것으로 간주됩니다. 이 경우 귀무 가설 (두 그룹간에 차이가 없다는 가설)은 기각됩니다. 즉, 연구 약물을 투여받은 환자와 위약을 투여받은 환자간에 개선에 차이가 있음을 나타냅니다.
유의성 검정 선택
선택할 수있는 여러 가지 통계 테스트가 있습니다. 표준 t- 검정은 연구 약물 데이터 및 위약 데이터와 같은 두 데이터 세트의 평균을 비교합니다. 쌍을 이룬 t- 검정은 전후 연구와 같이 동일한 데이터 세트의 차이를 탐지하는 데 사용됩니다. 일원 분산 분석 (ANOVA)은 세 개 이상의 데이터 세트의 평균을 비교할 수 있으며, 이원 분산 분석은 연구의 서로 다른 강점과 같은 두 개의 서로 다른 독립 변수에 대한 반응으로 두 개 이상의 데이터 세트의 평균 의약품. 선형 회귀는 처리 또는 시간의 기울기를 따라 데이터 세트의 평균을 비교합니다. 각 통계 테스트는 테스트 결과를 해석하는 데 사용할 수있는 유의성 측정 값 또는 알파를 생성합니다.