Öğrenmek
İstatistiksel Güç Nedir? | İstatistik
Güç, bir dizi özdeş çalışmanın istatistiksel olarak anlamlı bir etki (örn. p<0,05) varsa bunu tespit etme konusundaki uzun vadeli olasılığıdır. Bir dizi özdeş çalışmada tip 2 hata olasılığı bir eksi güçtür (1-ß, genellikle %20).
Örn.
Yüz çalışma aynı popülasyonda aynı A tedavisine karşı B tedavisi yapısıyla yürütülmüştür. Gerçek hayatta A ve B arasındaki gerçek tedavi farkı, A tedavisinde tam iyileşme şansının %30 daha yüksek olmasıdır. Bu yüz çalışma üzerinde istatistikler yapıldığında (aynı popülasyon, aynı varyans, aynı standart sapma), ortalama olarak yaklaşık 20 çalışma istatistiksel olarak anlamlı bir etki göstermeyecektir. Bu, tip 2 hata oranı veya yanlış negatiflerdir- istatistiksel güçle doğrudan ilişkilidir (1-ß).
Yani basitçe ifade etmek gerekirse, yetersiz güce sahip bir çalışma, gerçekte bir fark olsa da, istatistiksel olarak anlamlı bir etkiyi daha az gösterecektir.
Bu gücü etkiler
Güç, tıpkı p-değerlerinde olduğu gibi birkaç faktörden etkilenir.
- Örneklem büyüklüğü: daha büyük örneklem = daha fazla güç (gruplar arasında daha net farklar, daha az veri gürültüsü)
- Varyans: daha küçük varyans = daha fazla güç
- Etki büyüklükleri: daha büyük etki büyüklükleri = daha fazla güç (bir testle tespit edilmesi daha kolay)
- İstatistiksel test türü: bazı testler daha fazla varsayım karşılığında daha fazla güç sağlar (istatistikte bedava öğle yemeği yoktur)
Bununla birlikte, istatistiksel gücün (örn. 80) tek bir ölçüm aracı için, tek bir zaman noktası için, tek bir etki büyüklüğü için vardır.
Düşük güç = güvenilmez çalışma
Dolayısıyla, gücü yetersiz bir çalışma tip 2 hatalar (yanlış negatifler)ancak, bu riskini artırır tip 1 hatalar (yanlış pozitifler), şişirilmiş etkilerle birlikte. Buna 'kazananın laneti' denir. Bu nedenle, istatistiksel gücünüzün düşmesine izin vermeden bir örneklem büyüklüğüne birden fazla sonuç ölçümü atamaz ve zaman içinde birden fazla noktada ölçüm yapamazsınız. İyi araştırmacılar ve klinisyenler, ikincil sonuç ölçümlerinin yalnızca öneri niteliğinde olduğunu bilirler çünkü çalışma bu miktarda ölçüm için güçlendirilmemiştir. Bu önerileri doğrulamak için yeni çalışmalara ihtiyacınız var. Yukarıda açıklanan problem çoklu karşılaştırma problemi olarak adlandırılır.
Bunun kulağa biraz mantıksız geldiğini tahmin edebiliyorum. Bir örneğe bakalım.
Örn.
Bir grup 200 öğrenciye ders veriyorsunuz ve onları iki gruba ayırmaya karar veriyorsunuz. Çalışmanızın amacı, bir grupta diğerine kıyasla daha fazla kadın olması gibi cinsiyet farklılıkları olup olmadığını görmektir. Hiçbir fark yok. Daha sonra göz rengine, saç rengine, işaret parmağının uzunluğuna, benchpress PR'sine, yaşam kalitesine, yaşına, kardeş sayısına vb. bakarsınız. Muhtemelen bir yerlerde istatistiksel olarak anlamlı bir sonuçla karşılaşacaksınız. Bu, çoklu karşılaştırma sorunudur.
Çözümler
Yetersiz güce sahip çalışmalardan ve yanlış pozitif veya yanlış negatif riskinden kaçınmak için araştırmacılar çalışmalarını yeterli güce sahip olacak şekilde planlamalıdır. Bu da örneklem büyüklüğü, etki büyüklüğü, varyans ve kullanılan istatistiksel test gibi faktörlerin dikkate alınmasını gerektirir. Çoklu testler aynı zamanda yanlış pozitif riski de taşır ve bu risk, anlamlılık seviyesinin ayarlanması veya Yanlış Keşif Oranı kontrolü kullanılması gibi yöntemlerle ele alınabilir. Araştırmacılar, istatistiksel güç kavramını ve hipotez testindeki önemini anlayarak, güvenilir ve anlamlı sonuçlar üreten çalışmalar tasarlayabilirler.
Referanslar
Öğrendiklerini beğendin mi?
FIZYOTERAPIST DEĞERLENDIRME KITABININ TAMAMINI SATIN ALIN
- 600+ Sayfa e-Kitap
- İnteraktif İçerik (Doğrudan Video Gösterimi, PubMed makaleleri)
- En son araştırmalardan elde edilen tüm Özel Testler için İstatistiksel Değerler
- 🇬🇧 🇩🇪 🇫🇷 🇪🇸 🇮🇹 🇵🇹 🇹🇷 adresinde mevcuttur.
- Ve çok daha fazlası!