Нулева хипотеза | Статистика

Нулевата хипотеза е от съществено значение за научното изследване, тъй като тя е в основата на изследователските търсения. Освен че дава на изследователите отправна точка, тя им позволява да разработят алтернативни хипотези, които могат да бъдат проверени и оценени.

Ролята на нулевата хипотеза

Изследването на връзката между променливите или установяването на различията между групите често е важно в научните изследвания. Според нулевата хипотеза често пъти не съществува забележима разлика или връзка между изследваните променливи. Тя означава липса на връзка между съответните компоненти или на ефект между тях.

Изследователите създават нулева хипотеза, която служи като отправна точка за сравнение на техните резултати. Обикновено представена със символа H0, тази хипотеза служи като критерий за определяне на статистическата значимост на резултатите от проучването.

Пример:

Нека да използваме като пример за изясняване на тази идея проучване на въздействието на нова програма за интервенция върху неспецифична болка във врата. Според нулевата хипотеза в тази ситуация може да няма забележима разлика в болката във врата между пациентите, които получават интервенцията, и тези, които не я получават.

Така нулевата хипотеза може да се запише математически като H0: 1 - 2 = 0, където 1 е средната болка във врата на тези, които получават интервенцията, а 2 е средната болка във врата на тези, които не получават интервенцията.

След като съберат информация, изследователите провеждат статистически тестове, за да установят дали доказателствата потвърждават или отхвърлят нулевата хипотеза. Изследователите могат да отхвърлят нулевата хипотеза в полза на алтернативна хипотеза, ако данните противоречат на нулевата хипотеза и показват значителна разлика или връзка.

Не правете това

Важно е да се подчертае, че алтернативната хипотеза не се доказва чрез отхвърляне на нулевата хипотеза. Вместо това той твърди, че данните могат да подскажат, че алтернативната хипотеза трябва да се счита за по-правдоподобно обяснение. Обикновено алтернативната хипотеза твърди, че съществува разлика или връзка между съответните променливи.

В реалния живот изследователите анализират вероятността за получаване на отчетените резултати при нулева хипотеза, като използват различни статистически тестове, като например t-тестове или хи-квадрат тестове. Изследователите отхвърлят нулевата хипотеза и изследват алтернативната хипотеза, ако вероятността падне под предварително зададено ниво на значимост, обикновено обозначавано като алфа (α), най-често 0,05.

Проверката на хипотезите е от съществено значение за научното изследване, тъй като позволява на изследователите да правят преценки въз основа на емпирични данни. Изследователите могат да увеличат знанията си и да допринесат за разбирането на много явления чрез методично анализиране и поставяне под въпрос на нулевата хипотеза.

Проблеми при проверката на нулевата хипотеза

Една от съществените критики е, че често се пренебрегват големината на ефекта и клиничната значимост в полза на съсредоточаването само върху статистическата значимост. Статистическата значимост не разкрива размера или значимостта на наблюдаваното въздействие; тя само показва дали е вероятно дадено откритие да е случайно. Тестването на огромни масиви от данни може да доведе до значими резултати (отхвърляне на H0) при най-малките разлики.

Нека продължим с предишния пример. Интересувате се от VAS (визуална аналогова скала) за болката след лечението на две интервенции за болка във врата. Имате около 1000 пациенти в група. Група А има средно 2,2/10 след лечението, а група Б - 2,4/10. Като се има предвид, че групите са толкова големи, има вероятност тази малка разлика да доведе до значима разлика при тестване на нулевата хипотеза. Въпреки това 0,2/10 от разликата едва ли е от значение. По отношение на клиничната значимост тези две групи са равностойни.

Друг проблем е, че нулевата хипотеза може да бъде отхвърлена или приета, което може да доведе до двоично тълкуване на данните. Този дихотомичен подход може да опрости прекалено сложните случаи и да пропусне по-дребните детайли на данните.

Освен това, докато не бъде опровергана, проверката на нулевата хипотеза предполага, че нулевата хипотеза е вярна. Това може да доведе до предубеденост в полза на нулевата хипотеза и да заличи потенциално значими ефекти.

Противниците твърдят, че алтернативните методи, като например отчитането на размера на ефекта или Байесовата статистика, могат да предложат по-задълбочено и поучително разглеждане на резултатите от проучването, което позволява по-добро разбиране на значението и практическите последици от констатациите.

Резюме

Нулевата хипотеза, която гласи, че не съществува значима разлика или връзка между променливите, представляващи интерес, действа като предположение по подразбиране в едно научно изследване. За да се отхвърли нулевата хипотеза в полза на алтернативната, данните трябва да са несъвместими с нулевата хипотеза и да показват значителна разлика. Чрез тестване на хипотези учените могат да подобрят хипотезите си, да изследват нови концепции и да задълбочат разбирането си за света. Съществува обаче голяма група критици срещу проверката на нулевата хипотеза. Не е без недостатъци.

Нейман, Дж., и Пиърсън, Е. С. (1933). По проблемите на най-ефективните тестове на статистически хипотези. Philosophical Transactions of the Royal Society of London, 231A, 289-338. https://doi.org/10.1098/rsta.1933.0009

GRAVES, SPENCER (1978). За теорията на Neyman-Pearson за тестването. Британско списание за философия на науката, 29(1), 1-24. doi:10.1093/bjps/29.1.1 

Quintana, D.S., Williams, D.R. Байесови алтернативи за обичайни тестове за значимост на нулеви хипотези в психиатрията: нетехническо ръководство с използване на JASP. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Бърнам и Андерсън, Стойностите на Р са само показател за доказателства: 20-ти срещу. Статистическа наука на 21-ви век. Ecology (2014), https://doi.org/10.1890/13-1066.1