Menarik

Tahap Alpha yang Menentukan Kepentingan Statistik?

Tahap Alpha yang Menentukan Kepentingan Statistik?

Tidak semua keputusan ujian hipotesis sama. Ujian atau ujian hipotesis mengenai kepentingan statistik biasanya mempunyai tahap kepentingan yang dilampirkan kepadanya. Tahap penting ini adalah nombor yang biasanya dilambangkan dengan aksara Yunani alpha. Satu soalan yang muncul dalam kelas statistik ialah, "Apakah nilai alfa yang harus digunakan untuk ujian hipotesis kita?"

Jawapan untuk soalan ini, seperti banyak soalan lain dalam statistik adalah, "Ia bergantung kepada keadaan." Kami akan meneroka apa yang kami maksudkan dengan ini. Banyak jurnal sepanjang disiplin yang berbeza menentukan bahawa keputusan yang signifikan secara statistik adalah yang mana alpha adalah sama dengan 0.05 atau 5%. Tetapi perkara utama yang perlu diperhatikan ialah tidak ada nilai sejagat alfa yang harus digunakan untuk semua ujian statistik.

Nilai-nilai yang Penting Digunakan Tahap Penting

Bilangan yang diwakili oleh alpha adalah kebarangkalian, sehingga dapat mengambil nilai dari setiap bilangan nyata nonnegatif kurang dari satu. Walaupun dalam teori mana-mana nombor antara 0 dan 1 boleh digunakan untuk alpha, ketika datang ke praktik statistik ini tidak demikian. Daripada semua tahap penting, nilai 0.10, 0.05 dan 0.01 adalah yang paling biasa digunakan untuk alpha. Seperti yang akan kita lihat, mungkin terdapat alasan untuk menggunakan nilai alpha selain nombor yang paling biasa digunakan.

Tahap Penting dan Jenis I Kesalahan

Satu pertimbangan terhadap nilai "satu saiz sesuai dengan semua" untuk alpha mempunyai kaitan dengan apa yang nombor ini adalah kebarangkalian. Tahap kepentingan ujian hipotesis adalah sama dengan kebarangkalian kesilapan Jenis I. Kesalahan Jenis I terdiri daripada salah menolak hipotesis nol ketika hipotesis nol sebenarnya benar. Semakin kecil nilai alpha, semakin kecil kemungkinannya kita menolak hipotesis nol yang benar.

Terdapat contoh yang berbeza di mana ia lebih diterima untuk mempunyai ralat Jenis I. Nilai lebih besar alpha, bahkan lebih besar daripada 0.10 mungkin bersesuaian apabila nilai alfa yang lebih kecil menghasilkan hasil yang kurang diingini.

Dalam pemeriksaan perubatan untuk penyakit, pertimbangkan kemungkinan ujian yang palsu menguji positif untuk penyakit dengan salah satu yang secara palsu menguji negatif untuk penyakit. Positif palsu akan menyebabkan kecemasan untuk pesakit kami tetapi akan membawa kepada ujian lain yang akan menentukan bahawa keputusan ujian kami memang salah. Satu negatif palsu akan memberi pesakit kami anggapan yang salah bahawa dia tidak mempunyai penyakit apabila dia sebenarnya. Hasilnya adalah bahawa penyakit itu tidak akan dirawat. Memandangkan pilihan, kita lebih suka mempunyai keadaan yang menyebabkan positif palsu daripada negatif palsu.

Dalam keadaan ini, kami dengan senang hati akan menerima nilai yang lebih besar untuk alfa jika ia menghasilkan kecederaan negatif yang negatif.

Tahap Penting dan P-Nilai

Tahap penting adalah nilai yang kami tetapkan untuk menentukan kepentingan statistik. Ini akhirnya menjadi standard yang mana kita mengukur nilai p-statistik statistik kami yang dikira. Untuk mengatakan bahawa hasilnya secara statistik secara signifikan pada tahap alpha hanya bermakna bahawa nilai-p kurang daripada alpha. Sebagai contoh, untuk nilai alpha = 0.05, jika nilai-p lebih besar dari 0.05, maka kita gagal menolak hipotesis nol.

Terdapat beberapa contoh di mana kita memerlukan nilai p yang sangat kecil untuk menolak hipotesis nol. Sekiranya hipotesis nol kita menyangkut sesuatu yang diterima secara meluas sebagai benar, maka mesti ada bukti yang tinggi yang menyokong menolak hipotesis nol. Ini disediakan oleh nilai-p yang jauh lebih kecil daripada nilai yang biasa digunakan untuk alpha.

Kesimpulannya

Tidak ada satu nilai alpha yang menentukan kepentingan statistik. Walaupun angka seperti 0.10, 0.05 dan 0.01 adalah nilai yang biasa digunakan untuk alpha, tidak ada teorem matematik yang menganggap bahawa ini adalah satu-satunya tahap penting yang boleh kita gunakan. Seperti banyak perkara dalam statistik, kita mesti berfikir sebelum kita mengira dan di atas semua menggunakan akal fikiran.

Tonton video itu: Penjelasan Uji HIPOTESIS, untuk yang benci rumus dan alergi angka oleh Widarto Rachbini (Ogos 2020).