Tanulj
Mi az a statisztikai hatékonyság? | Statisztika
A statisztikailag szignifikáns hatás (pl. p<0,05) kimutatásának hosszú távú valószínűsége azonos tanulmányok sorozatában, ha van ilyen hatás. Az azonos tanulmányok sorozatában előforduló 2-es típusú hiba valószínűsége egy mínusz a hatékonyság (1-ß, gyakran 20%).
Pl.
Száz tanulmány készül ugyanazon a populáción, ugyanazzal az A kezelés vs. B kezelés felépítéssel. A valós életben az A és B kezelés közötti különbség az, hogy az A kezelésnél 30%-kal nagyobb a teljes felépülés esélye. Amikor a statisztikákat ezen a száz tanulmányon elvégzik (azonos populáció, azonos variancia, azonos szórás), átlagosan körülbelül 20 tanulmány nem mutat szignifikáns hatást. Ez a 2-es típusú hibaarány, vagyis a téves negatív eredmény – közvetlenül összefügg a statisztikai erővel (1-ß).
Egyszerűen fogalmazva, ha egy tanulmány nem elég alapos, ritkábban mutat ki statisztikailag jelentős eltérést, pedig valós különbség áll fenn.
Ez befolyásolja az erőt
Az erő néhány tényezőtől függ, akárcsak a p-értékek esetében.
- Mintanagyság: nagyobb minta = nagyobb hatásfok (tisztább különbségek a csoportok között, kevesebb adat zaj).
- Variancia: minél kisebb a variancia, annál nagyobb a hatásfok
- Hatásméretek: nagyobb hatásméretek = nagyobb erő (a teszt könnyebben észleli)
- Statisztikai teszt típusa: egyes tesztek több erőt adnak több feltételezésért cserébe (a statisztikában sincs ingyen ebéd).
Fontos azonban megértened, hogy a statisztikai erő (pl. 80%) egy mérőeszközre, egy időpontra, egyetlen hatáserősségre vonatkozik.
Alacsony teljesítmény = megbízhatatlan tanulmány
Egy alultervezett tanulmány növeli a 2-es típusú hibák (téves negatív eredmények) kockázatát, de az 1-es típusú hibák kockázatát is (téves pozitív eredmények), túlzó hatásokkal. Ezt hívják „a győztes átkának”. Ezért nem vethetünk be többféle eredmény mérést egy mintán, és nem mérhetünk több időpontban anélkül, hogy a statisztikai erőnk összeomlana. A jó kutatók és klinikusok tudják, hogy a másodlagos eredmény mérések csupán javaslatok, mivel a tanulmány nem erre a mennyiségű mérésre épül. Új tanulmányokra van szükség a javaslatok megerősítéséhez. A fent leírt problémát többszörös összehasonlítási problémának nevezzük.
Tudom, ez elsőre furcsán hangzik. Nézzünk egy példát!
Pl.
200 hallgatót oktatsz, és úgy döntesz, két csoportra osztod őket. A vizsgálat célja, hogy van-e nemek közötti különbség, például több nő az egyik csoportban, mint a másikban. Nincs különbség. Ezután megnézed a szemszínt, a hajszínt, a mutatóujjuk hosszát, a fekvenyomás PR-t, az Életminőséget, az életkort, a testvérek számát stb. Valószínűleg valahol statisztikailag szignifikáns eredménybe fogsz ütközni. Ez a többszörös összehasonlítás problémája.
Megoldások
A gyenge tanulmányok és a téves pozitív vagy téves negatív eredmények elkerülése érdekében, a kutatóknak megfelelő erővel kell megtervezniük a vizsgálatokat. Ehhez figyelembe kell venni olyan tényezőket, mint a mintanagyság, a hatásméret, a szórás és az alkalmazott statisztikai teszt. A többszörös tesztelés is téves pozitív eredmények kockázatát hordozza, ami kezelhető olyan módszerekkel, mint a szignifikancia szint korrekciója vagy a False Discovery Rate kontroll használata. A statisztikai erő fogalmának és a hipotézisvizsgálatban betöltött szerepének megértésével megbízható és értelmes eredményeket hozó tanulmányokat tervezhetsz.
Referenciák
Szerezd meg a 21 leghasznosabb ortopédiai tesztet
Töltsd le ingyenes e-könyvünket a testtájankénti 21 leghasznosabb ortopédiai vizsgálatról, hogy segítsen felállítani a megfelelő diagnózist.
Tetszik, amit tanulsz?
Szerezd be a teljes Physiotutors vizsgálati kézikönyvet
- 600+ oldal ortopédiai vizsgálatokról
- Videós bemutatók és közvetlen linkek a PubMed-tanulmányokhoz
- Statisztikai értékek minden speciális teszthez, a legfrissebb kutatások alapján
- Ingyenes, élethosszig tartó frissítések
- Angol, német, francia, spanyol, olasz, portugál és török nyelven érhető el
