Co to jest moc statystyczna? | Statystyka

Moc to długoterminowe prawdopodobieństwo, że seria identycznych badań wykryje statystycznie istotny efekt (np. p<0,05), jeśli taki istnieje. Prawdopodobieństwo wystąpienia błędu typu 2 w serii identycznych badań wynosi jeden minus moc (1-ß, często 20%).

Np.

Sto badań przeprowadzono w tej samej populacji z tą samą strukturą leczenia A i leczenia B. Prawdziwa różnica w rzeczywistym leczeniu między A i B to 30% większa szansa na pełne wyleczenie w przypadku leczenia A. Kiedy statystyki są przeprowadzane na tych stu badaniach (ta sama populacja, ta sama wariancja, to samo odchylenie standardowe), średnio około 20 badań nie wykaże statystycznie istotnego efektu. Jest to wskaźnik błędu typu 2 lub fałszywych negatywów - bezpośrednio związany z mocą statystyczną (1-ß).

Mówiąc prościej, badanie o nieodpowiedniej mocy będzie rzadziej wykazywać statystycznie istotny efekt, podczas gdy w rzeczywistości istnieje różnica.

Ma to wpływ na moc

Na moc ma wpływ kilka czynników, podobnie jak w przypadku wartości p.

• Wielkość próby: większa próba = większa moc (wyraźniejsze różnice między grupami, mniej szumu w danych)
• Wariancja: mniejsza wariancja = większa moc
• Rozmiary efektu: większe rozmiary efektu = większa moc (łatwiejsze do wykrycia w teście)
• Rodzaj testu statystycznego: niektóre testy dają większą moc w zamian za więcej założeń (w statystyce nie ma darmowych obiadów).

Ważne jest jednak, aby zrozumieć, że moc statystyczna (np. 80%) istnieje dla jednego narzędzia pomiarowego, dla jednego punktu w czasie, dla jednej wielkości efektu.

Niska moc = niewiarygodne badanie

Tak więc badanie z niewystarczającą mocą zwiększa ryzyko błędy typu 2 (wyniki fałszywie ujemne)ale zwiększa ryzyko błędy typu 1 (fałszywe alarmy), z zawyżonymi efektami. Nazywa się to "klątwą zwycięzcy". Właśnie dlatego nie możesz po prostu rzucić wielu miar wyników na wielkość próby i mierzyć w wielu punktach w czasie, nie dopuszczając do załamania mocy statystycznej. Dobrzy badacze i klinicyści wiedzą, że drugorzędowe pomiary wyników są jedynie sugestywne, ponieważ badanie nie jest zasilane taką liczbą pomiarów. Potrzebujesz nowych badań, aby potwierdzić te sugestie. Opisany powyżej problem jest określany jako problem wielokrotnego porównywania.

Mogę sobie wyobrazić, że brzmi to nieco sprzecznie z intuicją. Spójrzmy na przykład.

Np.

Prowadzisz wykład dla grupy 200 studentów i postanawiasz podzielić ich na dwie grupy. Celem Twojego badania jest sprawdzenie, czy istnieją różnice między płciami, takie jak większa liczba kobiet w jednej grupie w porównaniu z drugą. Nie ma żadnej różnicy. Następnie patrzysz na kolor oczu, kolor włosów, długość palca wskazującego, wyciskanie na ławce, QOL, wiek, liczbę rodzeństwa itp. Są szanse, że gdzieś napotkasz statystycznie istotny wynik. Jest to problem wielokrotnego porównywania.

Rozwiązania

Aby uniknąć badań z niedostateczną mocą i ryzyka uzyskania wyników fałszywie dodatnich lub fałszywie ujemnych, badacze muszą planować swoje badania z odpowiednią mocą. Wymaga to uwzględnienia takich czynników, jak wielkość próby, wielkość efektu, wariancja i zastosowany test statystyczny. Wielokrotne testowanie stwarza również ryzyko wystąpienia wyników fałszywie dodatnich, które można rozwiązać za pomocą metod takich jak dostosowanie poziomu istotności lub użycie kontroli współczynnika fałszywych odkryć. Rozumiejąc pojęcie mocy statystycznej i jej znaczenie w testowaniu hipotez, badacze mogą projektować badania, które dają wiarygodne i znaczące wyniki.

Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Testy statystyczne, wartości P, przedziały ufności i moc: przewodnik po błędnych interpretacjach. European Journal of Epidemiology, 31(4), 337-350. https://doi.org/10.1007/s10654-016-0149-3.

Ingre M. (2013). Dlaczego małe badania o niskiej mocy są gorsze niż duże badania o dużej mocy i jak chronić się przed "trywialnymi" wynikami badań: komentarz do Friston (2012). NeuroImage, 81, 496-498. https://doi.org/10.1016/j.neuroimage.2013.03.030.

Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Testy statystyczne, wartości P, przedziały ufności i moc: przewodnik po błędnych interpretacjach. European Journal of Epidemiology, 31(4), 337-350. https://doi.org/10.1007/s10654-016-0149-3.