Nullhipotézis | Statisztika

A nullhipotézis elengedhetetlen a tudományos kutatáshoz, mivel ez képezi a kutatási kérdések alapját. Amellett, hogy kiindulópontot ad, lehetővé teszi alternatív hipotézisek kidolgozását, amelyeket tesztelhet és értékelhet.

A nullhipotézis szerepe

A tudományos tanulmányokban gyakran fontos megvizsgálni a változók közötti kapcsolatot, vagy kideríteni, hogy vannak-e eltérések a csoportok között. A nullhipotézis szerint gyakran nincs észrevehető különbség vagy kapcsolat a vizsgált változók között. Ez a lényeges elemek közötti kapcsolat vagy hatás hiányát jelöli.

A kutatók azért alkotják meg a nullhipotézist, hogy összehasonlíthassák az eredményeiket. A H0 szimbólummal jelölve ez a hipotézis az eredmények statisztikai szignifikanciájának meghatározásához szolgál viszonyítási alapként.

Példa

Vegyünk példaként egy tanulmányt, amely egy új beavatkozási program hatásait vizsgálja a nem specifikus nyaki fájdalomra, hogy jobban megértsük ezt az elképzelést. A nullhipotézis szerint ebben az esetben nem biztos, hogy észrevehető különbség van a nyaki fájdalomban a beavatkozásban részesülő és a nem részesülő betegek között.

Így a nullhipotézis matematikailag így írható fel: H0: 1 – 2 = 0, ahol 1 az intervencióban részesülők átlagos nyaki fájdalma, a 2 pedig a azoké, akik nem részesülnek benne.

Az információgyűjtés után a kutatók statisztikai teszteket futtatnak, hogy lássák, a bizonyítékok alátámasztják vagy cáfolják a nullhipotézist. Ha az adatok ellentmondanak a nullhipotézisnek, és jelentős eltérést vagy kapcsolatot mutatnak, elutasíthatjuk azt egy alternatív hipotézis javára.

Ezt Ne Tedd

Fontos kiemelni, hogy a nullhipotézis elutasítása nem igazolja az alternatív hipotézist. Ehelyett azt állítjuk, hogy az adatok az alternatív hipotézist valószínűbb magyarázatként javasolják. Az alternatív hipotézis általában azt állítja, hogy különbség vagy kapcsolat van a releváns változók között.

A valóságban a kutatók különböző statisztikai tesztekkel (mint például t-próbák vagy khi-négyzet próbák) elemzik, hogy a nullhipotézis alapján mekkora a valószínűsége a kapott eredmény elérésének. Ha ez a valószínűség egy előre beállított szignifikancia szint alá esik – amit általában alfa (α) jelöl, és leggyakrabban 0,05 –, akkor a kutatók elutasítják a nullhipotézist, és az alternatív hipotézist vizsgálják.

A hipotézisek tesztelése elengedhetetlen a tudományos kutatáshoz, mivel lehetővé teszi a kutatók számára, hogy empirikus adatok alapján ítélkezzenek. A nullhipotézis módszeres elemzésével és megkérdőjelezésével bővítheted az ismereteidet és hozzájárulhatsz számos jelenség megértéséhez.

A nullhipotézis-vizsgálat problémái

Gyakori kritika, hogy az hatásméretet és a klinikai jelentőséget figyelmen kívül hagyjuk, és csak a statisztikai szignifikanciára összpontosítunk. A statisztikai szignifikancia nem mutatja meg a hatás nagyságát vagy jelentőségét, csak azt jelzi, hogy az eredmény valószínűleg a véletlen műve-e. Nagy adathalmazok tesztelése során a legkisebb különbségeknél is szignifikáns eredményeket kaphatunk (a H0 elutasítása).

Menjünk tovább az előző példán. Érdekel a Vizuális Analóg Skála (VAS) a nyaki fájdalom kezelése utáni fájdalomra vonatkozóan két beavatkozás esetén. Csoportonként körülbelül 1000 páciensed van. Az A csoport átlaga 2,2/10 a kezelés után, a B csoporté pedig 2,4/10. Tekintettel arra, hogy a csoportok ilyen nagyok, valószínű, hogy ez a csekély különbség szignifikáns különbséget eredményez a nullhipotézis tesztelésével. Azonban a 0,2/10 különbség aligha releváns. Klinikai szempontból ez a két csoport egyenlő.

Előfordulhat, hogy a nullhipotézist elutasítjuk vagy elfogadjuk, ami a adatok bináris értelmezéséhez vezethet. Ez a megközelítés leegyszerűsítheti az összetett eseményeket, és figyelmen kívül hagyhatja az adatok árnyaltabb részleteit.

A nullhipotézis-vizsgálat feltételezi, hogy a nullhipotézis igaz, amíg az ellenkezője be nem bizonyosodik. Ez torzításhoz vezethet a nullhipotézis javára, és figyelmen kívül hagyhatja a potenciálisan jelentős hatásokat.

Az ellenzők szerint az alternatív módszerek, mint például az effektusméret jelentése vagy a Bayes-i statisztika, alaposabb vizsgálatot nyújtanak az eredményekről, így jobban megértheted a relevanciát és a gyakorlati következményeket.

Összefoglaló

A nullhipotézis azt állítja, hogy nincs lényeges eltérés vagy kapcsolat a változók között, és ez az alapértelmezett feltételezés a kutatásban. Ahhoz, hogy elutasítsd a nullhipotézist egy alternatívával szemben, az adatoknak összeegyeztethetetlennek kell lenniük a nullhipotézissel, jelentős eltérést mutatva. A hipotézisvizsgálattal fejlesztheted a hipotéziseket, új koncepciókat vizsgálhatsz, és mélyítheted a világ megértését. Azonban a nullhipotézis tesztelésének nagyszámú kritikusa létezik. Nem hibátlan.

Neyman, J. & Pearson, E. S. (1933). A statisztikai hipotézisek leghatékonyabb tesztjeinek problémáiról. Philosophical Transactions of the Royal Society of London, 231A, 289–338. https://doi.org/10.1098/rsta.1933.0009

GRAVES, SPENCER (1978). A Neyman–Pearson tesztelési elméletről. 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. Bayesi alternatívák a pszichiátriában használt nullhipotézis szignifikancia tesztekhez: egy nem-technikai útmutató JASP használatával. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Burnhamm és Anderson szerint a P értékek csupán a bizonyítékok mutatói: 20. századi vs. 21. századi statisztikai tudomány. Ecology (2014), https://doi.org/10.1890/13-1066.1