Nollahypoteesi | Tilastot

Nollahypoteesi on olennainen osa tieteellistä tutkimusta, koska se muodostaa perustan tutkimustiedustelulle. Sen lisäksi, että se antaa tutkijoille lähtökohdan, se antaa heille mahdollisuuden kehittää vaihtoehtoisia hypoteeseja, joita voidaan testata ja arvioida.

Nollahypoteesin rooli

Tieteellisissä tutkimuksissa on usein tärkeää tutkia muuttujien välistä suhdetta tai selvittää, onko ryhmien välillä eroja. Nollahypoteesin mukaan tutkittavien muuttujien välillä ei useinkaan ole havaittavaa eroa tai yhteyttä. Se tarkoittaa, että asianomaisten osatekijöiden välillä ei ole yhteyttä tai niiden välistä vaikutusta.

Tutkijat laativat nollahypoteesin, joka toimii vertailukohtana heidän havaintojensa vertailussa. Tämä hypoteesi, jota yleensä edustaa symboli H0, toimii vertailukohtana määritettäessä tutkimuksen tulosten tilastollista merkitsevyyttä.

Esimerkki

Käyttäkäämme esimerkkinä tutkimusta, jossa tutkittiin uudenlaisen interventio-ohjelman vaikutuksia epäspesifiseen niskakipuun, jotta voimme selventää tätä ajatusta. Tässä tilanteessa nollahypoteesin mukaan niskakivussa ei välttämättä ole havaittavaa eroa niiden potilaiden välillä, jotka saavat interventiota, ja niiden välillä, jotka eivät saa interventiota.

Näin ollen nollahypoteesi voidaan kirjoittaa matemaattisesti muotoon H0: 1 - 2 = 0, jossa 1 on interventioon osallistuvien keskimääräinen niskakipu ja 2 on niiden keskimääräinen niskakipu, jotka eivät saa interventiota.

Tietojen keräämisen jälkeen tutkijat suorittavat tilastollisia testejä nähdäkseen, vahvistavatko vai kumoavatko todisteet nollahypoteesin. Tutkijat voivat hylätä nollahypoteesin vaihtoehtoisen hypoteesin hyväksi, jos tiedot ovat ristiriidassa nollahypoteesin kanssa ja osoittavat merkittävän eron tai yhteyden.

Älä tee tätä

On tärkeää korostaa, että nollahypoteesin hylkääminen ei osoita vaihtoehtoista hypoteesia. Sen sijaan siinä väitetään, että tietojen perusteella vaihtoehtoista hypoteesia voitaisiin pitää uskottavampana selityksenä. Yleensä vaihtoehtoinen hypoteesi väittää, että merkityksellisten muuttujien välillä on ero tai yhteys.

Todellisessa elämässä tutkijat analysoivat nollahypoteesin mukaisten tulosten todennäköisyyttä käyttämällä erilaisia tilastollisia testejä, kuten t-testejä tai khiin neliö -testejä. Tutkijat hylkäävät nollahypoteesin ja tutkivat vaihtoehtoisen hypoteesin, jos todennäköisyys alittaa ennalta määritetyn merkitsevyystason, jota kutsutaan yleisesti alfaksi (α), useimmiten 0,05.

Hypoteesien testaaminen on olennainen osa tieteellistä tutkimusta, koska sen avulla tutkijat voivat tehdä empiirisiin tietoihin perustuvia arvioita. Tutkijat voivat lisätä tietämystä ja edistää monien ilmiöiden ymmärtämistä analysoimalla ja kyseenalaistamalla nollahypoteesin metodisesti.

Nollahypoteesin testaukseen liittyvät ongelmat

Yksi merkittävä kritiikki on se, että siinä jätetään usein huomiotta vaikutusten koot ja kliininen merkitys ja keskitytään vain tilastolliseen merkitsevyyteen. Tilastollinen merkitsevyys ei paljasta havaitun vaikutuksen kokoa tai merkittävyyttä, vaan kertoo vain, onko havainto todennäköisesti sattumaa. Suurten aineistojen testaaminen voi johtaa merkittäviin tuloksiin (H0-ehdon hylkääminen) pienimmistäkin eroista.

Jatketaan edellistä esimerkkiä. Olet kiinnostunut niskakivun hoidon jälkeisen kivun VAS-asteikosta (visuaalinen analoginen asteikko) kahden niskakipua koskevan toimenpiteen osalta. Ryhmää kohti on noin 1000 potilasta. Ryhmä A:n keskiarvo on 2,2/10 hoidon jälkeen ja ryhmän B 2,4/10. Koska ryhmät ovat niin suuria, on mahdollista, että tämä pieni ero johtaa merkittävään eroon nollahypoteesin testauksessa. 0,2/10 erolla ei kuitenkaan ole juurikaan merkitystä. Kliinisen merkityksen kannalta nämä kaksi ryhmää ovat samanarvoisia.

Toinen ongelma on se, että nollahypoteesi saatetaan hylätä tai hyväksyä, mikä voi johtaa tietojen binääriseen tulkintaan. Tämä kaksijakoinen lähestymistapa saattaa yksinkertaistaa monimutkaisia tapahtumia liikaa ja jättää huomiotta tietojen hienommat yksityiskohdat.

Lisäksi nollahypoteesin testauksessa oletetaan, että nollahypoteesi on tosi, kunnes se kumotaan. Tämä voi johtaa nollahypoteesin suosimiseen ja johtaa mahdolliseen sokeuteen mahdollisesti merkittäville vaikutuksille.

Vastustajat väittävät, että vaihtoehtoiset menetelmät, kuten efektikokojen raportointi tai Bayesin tilastot, voivat tarjota perusteellisemman ja opettavaisemman tutkimustulosten tarkastelun, jonka avulla on mahdollista ymmärtää paremmin tulosten merkitystä ja käytännön seurauksia.

Yhteenveto

Nollahypoteesi, jonka mukaan kiinnostuksen kohteena olevien muuttujien välillä ei ole merkittävää eroa tai yhteyttä, on tutkimuksen oletusoletus. Jotta nollahypoteesi voitaisiin hylätä vaihtoehtoisen hypoteesin hyväksi, tietojen olisi oltava ristiriidassa nollahypoteesin kanssa ja osoitettava merkittävä ero. Tutkijat voivat parantaa hypoteeseja, tutkia uusia käsitteitä ja syventää ymmärrystämme maailmasta hypoteesien testaamisen avulla. Nollahypoteesin testausta vastustaa kuitenkin suuri joukko kriitikoita. Se ei ole täysin virheetön.

Neyman, J., & Pearson, E. S. (1933). Tilastollisten hypoteesien tehokkaimpiin testeihin liittyvistä ongelmista. Philosophical Transactions of the Royal Society of London, 231A, 289-338. https://doi.org/10.1098/rsta.1933.0009.

GRAVES, SPENCER (1978). Neyman-Pearsonin testausteoriasta. The British Journal for the Philosophy of Science, 29(1), 1-24. doi:10.1093/bjps/29.1.1.1. 

Quintana, D.S., Williams, D.R. Bayesin vaihtoehdot yleisimmille nollahypoteesin merkitsevyystesteille psykiatriassa: ei-tekninen opas JASPin avulla. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4.

Burnhamm ja Anderson, P-arvot ovat vain todisteiden indeksi: 20. - vs. 21. vuosisadan tilastotiede. Ecology (2014), https://doi.org/10.1890/13-1066.1