Нулевая гипотеза | Статистика

Нулевая гипотеза важна для научного поиска, так как она формирует основу для исследовательских запросов. Помимо того, что это дает исследователям возможность начать с чего-то, это позволяет им разрабатывать альтернативные гипотезы, которые можно проверить и оценить.

Роль нулевой гипотезы

Изучение взаимосвязи между переменными или выяснение того, есть ли различия между группами, часто важно в научных исследованиях. Согласно нулевой гипотезе, зачастую между исследуемыми переменными нет заметной разницы или связи. Он обозначает отсутствие взаимосвязи между соответствующими компонентами или эффекта между ними.

Исследователи создают нулевую гипотезу, чтобы она служила точкой отсчета для сравнения их выводов. Обычно представленная символом H0, эта гипотеза служит ориентиром для определения статистической значимости результатов исследования.

Пример

Давай в качестве примера для дальнейшего разъяснения этой идеи воспользуемся исследованием, посвященным влиянию новой программы вмешательства на неспецифическую боль в шее. Согласно нулевой гипотезе в этой ситуации может не быть заметной разницы в боли в шее между пациентами, получившими вмешательство, и теми, кто его не получил.

Таким образом, нулевую гипотезу можно записать математически как H0: 1 - 2 = 0, где 1 - средняя боль в шее у тех, кто получил вмешательство, а 2 - средняя боль в шее у тех, кто его не получил.

Собрав информацию, исследователи проводят статистические тесты, чтобы узнать, подтверждают или опровергают доказательства нулевую гипотезу. Исследователи могут отвергнуть нулевую гипотезу в пользу альтернативной гипотезы, если данные противоречат нулевой гипотезе и показывают значимое различие или связь.

Не делай этого

Важно подчеркнуть, что альтернативная гипотеза не подтверждается отвержением нулевой гипотезы. Вместо этого он утверждает, что данные могут предложить считать альтернативную гипотезу более правдоподобным объяснением. Обычно альтернативная гипотеза утверждает, что между соответствующими переменными существует различие или связь.

В реальной жизни исследователи анализируют вероятность получения заявленных результатов при нулевой гипотезе с помощью различных статистических тестов, таких как t-тесты или хи-квадрат. Исследователи отвергают нулевую гипотезу и изучают альтернативную гипотезу, если вероятность падает ниже заданного уровня значимости, обычно обозначаемого как альфа (α), чаще всего 0,05.

Акт проверки гипотез важен для научного поиска, потому что он позволяет исследователям выносить суждения, основанные на эмпирических данных. Исследователи могут расширить знания и внести вклад в понимание многих явлений, методично анализируя и подвергая сомнению нулевую гипотезу.

Проблемы с проверкой нулевой гипотезы

Одна из существенных критических замечаний заключается в том, что в ней часто игнорируются размеры эффектов и клиническая значимость в пользу концентрации только на статистической значимости. Статистическая значимость не показывает размер или значимость эффекта, который был замечен; она лишь говорит о том, насколько вероятно, что находка произошла случайно. Тестирование огромных массивов данных может привести к значимым результатам (отвергающим H0) при самых крошечных различиях.

Давай продолжим предыдущий пример. Тебя интересует показатель VAS (визуальная аналоговая шкала) боли после лечения для двух вмешательств при болях в шее. В каждой группе у тебя около 1000 пациентов. У группы А средний показатель после лечения - 2,2/10, а у группы В - 2,4/10. Учитывая, что группы настолько велики, есть шанс, что эта крошечная разница приведет к значимой разнице при проверке нулевой гипотезы. Впрочем, разница в 0,2/10 вряд ли имеет значение. С точки зрения клинической значимости эти две группы равны.

Еще одна проблема заключается в том, что нулевая гипотеза может быть отвергнута или принята, что может привести к бинарной интерпретации данных. Такой дихотомический подход может чрезмерно упростить сложные случаи и упустить более тонкие детали данных.

Более того, пока не опровергнуто, проверка нулевой гипотезы предполагает, что нулевая гипотеза истинна. Это может привести к предубеждению в пользу нулевой гипотезы и к возможной слепоте о потенциально значимых эффектах.

Противники утверждают, что альтернативные методы, такие как отчет о величине эффекта или байесовская статистика, могут предложить более тщательное и поучительное изучение результатов исследования, позволяя лучше понять значимость и практические последствия полученных данных.

Резюме

Нулевая гипотеза, которая утверждает, что между интересующими переменными нет значимых различий или связей, выступает в качестве предположения по умолчанию в научном исследовании. Чтобы отвергнуть нулевую гипотезу в пользу альтернативной, данные должны быть несовместимы с нулевой гипотезой, показывая значимое различие. Ученые могут улучшать гипотезы, исследовать новые концепции и углублять наше понимание мира с помощью проверки гипотез. Однако существует большая группа критиков, выступающих против проверки нулевых гипотез. Она не лишена недостатков.

Нейман, Дж. и Пирсон, Е. С. (1933). О проблемах наиболее эффективных тестов статистических гипотез. Philosophical Transactions of the Royal Society of London, 231A, 289-338. https://doi.org/10.1098/rsta.1933.0009

ГРЕЙВС, СПЕНСЕР (1978). О теории тестирования Неймана-Пирсона. Британский журнал по философии науки, 29(1), 1-24. doi:10.1093/bjps/29.1.1 

Кинтана, Д.С., Уильямс, Д.Р. Байесовские альтернативы для распространенных тестов значимости нуль-гипотез в психиатрии: нетехническое руководство с использованием JASP. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Бернхамм и Андерсон, значения P - это лишь показатель доказательности: Двадцатый - против. Статистическая наука XXI века. Ecology (2014), https://doi.org/10.1890/13-1066.1