Nollhypotes | Statistik

En nollhypotes är väsentlig för vetenskapliga undersökningar eftersom den utgör grunden för forskningsundersökningar. Förutom att ge forskarna en startpunkt kan de utveckla alternativa hypoteser som kan testas och utvärderas.

Nollhypotesens roll

Att undersöka förhållandet mellan variabler eller ta reda på om det finns variationer mellan grupper är ofta viktigt i vetenskapliga studier. Enligt nollhypotesen finns det ofta ingen märkbar skillnad eller koppling mellan de variabler som undersöks. Det innebär att det inte finns något samband mellan de relevanta komponenterna eller någon effekt mellan dem.

Forskare skapar en nollhypotes som ska fungera som referenspunkt för jämförelser av deras resultat. Denna hypotes, som vanligen representeras av symbolen H0, fungerar som ett riktmärke för att fastställa den statistiska betydelsen av studiens resultat.

Exempel

Låt oss använda en studie om effekterna av ett nytt interventionsprogram på ospecifik nacksmärta som exempel för att ytterligare klargöra denna idé. Det kanske inte finns någon märkbar skillnad i nacksmärta mellan patienter som får interventionen och de som inte får den, enligt nollhypotesen i den här situationen.

Nollhypotesen kan därför skrivas matematiskt som H0: 1 - 2 = 0, där 1 är den genomsnittliga nacksmärtan hos dem som får interventionen och 2 är den genomsnittliga nacksmärtan hos dem som inte får den.

Efter att ha samlat in information gör forskarna statistiska tester för att se om bevisen bekräftar eller förkastar nollhypotesen. Forskare kan förkasta nollhypotesen till förmån för en alternativ hypotes om uppgifterna motsäger nollhypotesen och visar en signifikant skillnad eller ett signifikant samband.

Gör inte så här

Det är viktigt att betona att den alternativa hypotesen inte bevisas genom att nollhypotesen förkastas. Istället hävdas att uppgifterna kan tyda på att den alternativa hypotesen är en mer rimlig förklaring. Vanligtvis hävdar den alternativa hypotesen att det finns en skillnad eller ett samband mellan de relevanta variablerna.

I verkliga livet analyserar forskare sannolikheten för att få de rapporterade resultaten under nollhypotesen genom att använda olika statistiska tester, till exempel t-tester eller chi-två-test. Forskare förkastar nollhypotesen och undersöker alternativhypotesen om sannolikheten faller under en förinställd signifikansnivå, vanligen benämnd alfa (α), oftast 0,05.

Att testa hypoteser är en viktig del av den vetenskapliga forskningen eftersom det gör det möjligt för forskare att göra bedömningar baserade på empiriska data. Forskare kan öka kunskapen och bidra till förståelsen av många fenomen genom att metodiskt analysera och ifrågasätta nollhypotesen.

Problem med testning av nollhypoteser

En viktig kritik är att den ofta bortser från effektstorlekar och klinisk betydelse för att enbart koncentrera sig på statistisk signifikans. Statistisk signifikans avslöjar inte storleken eller betydelsen av den effekt som observerades; den säger bara om det är troligt att ett resultat har uppstått av en slump. Testning av stora datamängder kan resultera i signifikanta resultat (förkastande av H0) för de minsta skillnaderna.

Låt oss gå vidare med det tidigare exemplet. Du är intresserad av VAS (visuell analog skala) för smärta efter behandling för två interventioner mot nacksmärta. Du har cirka 1000 patienter per grupp. Grupp A har ett genomsnitt på 2,2/10 efter behandlingen och grupp B 2,4/10. Med tanke på att grupperna är så stora är chansen stor att denna lilla skillnad resulterar i en signifikant skillnad med nollhypotesprövning. Men 0,2/10 av en skillnad är knappast relevant. När det gäller klinisk betydelse är dessa två grupper likvärdiga.

Ett annat problem är att nollhypotesen kan förkastas eller accepteras, vilket kan leda till en binär tolkning av data. Detta dikotoma tillvägagångssätt kan förenkla komplicerade händelser och missa de finare detaljerna i uppgifterna.

Dessutom förutsätter nollhypotesprövning att nollhypotesen är sann tills den motbevisas. Detta kan leda till en förskjutning till förmån för nollhypotesen och leda till att potentiellt betydande effekter förbises.

Motståndarna hävdar att alternativa metoder som rapportering av effektstorlek eller bayesiansk statistik kan erbjuda en mer grundlig och lärorik granskning av studieresultat, vilket möjliggör en bättre förståelse av relevansen och de praktiska konsekvenserna av resultaten.

Sammanfattning

Nollhypotesen, som säger att det inte finns någon signifikant skillnad eller association mellan de variabler som är av intresse, fungerar som standardantagande i en forskningsundersökning. För att nollhypotesen ska kunna förkastas till förmån för en alternativ hypotes måste uppgifterna vara oförenliga med nollhypotesen och visa en signifikant skillnad. Forskare kan förbättra hypoteser, undersöka nya koncept och fördjupa vår förståelse av världen genom hypotesprövning. Det finns dock en stor grupp kritiker mot nollhypotesprövning. Det är inte utan sina brister.

Neyman, J., och Pearson, E. S. (1933). Om problemen med de mest effektiva testerna av statistiska hypoteser. Philosophical Transactions of the Royal Society of London, 231A, 289-338. https://doi.org/10.1098/rsta.1933.0009

GRAVES, SPENCER (1978). Om Neyman-Pearson-teorin för testning. The British Journal for the Philosophy of Science, 29(1), 1-24. doi:10.1093/bjps/29.1.1 

Quintana, D.S., Williams, D.R. Bayesianska alternativ för vanliga signifikanstester för nollhypoteser inom psykiatrin: en icke-teknisk guide med hjälp av JASP. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Burnhamm och Anderson, P-värden är endast ett index för bevis: 20- mot. Det 21:a århundradets statistiska vetenskap. Ecology (2014), https://doi.org/10.1890/13-1066.1