ค่า P คืออะไร | สถิติ

หากพูดแบบง่ายๆ ค่า p แสดงถึงความประหลาดใจที่คุณมีกับข้อมูล โดยถือว่าไม่มีผลกระทบใดๆ ยิ่งค่า p ต่ำลง ข้อมูลก็ยิ่งดูเหมือนจะไม่เข้ากันได้กับโมเดลของคุณมากขึ้น (นั่นคือ สันนิษฐานว่าไม่มีผลกระทบใดๆ)

เช่น

เมื่อเปรียบเทียบการรักษา A กับการรักษา B คุณถือว่าไม่มีผลใดๆ หรือไม่มีความแตกต่าง คุณคาดหวังว่าสมมติฐานว่างจะถูกต้อง คุณทำการทดสอบแล้วได้ค่า p เท่ากับ 0.02 นั่นหมายความว่าข้อมูลที่คุณรวบรวมมาค่อนข้างน่าแปลกใจ เมื่อพิจารณาว่าคุณถือว่ากลุ่มต่างๆ จะไม่แตกต่างกัน

ค่า p มีไว้เพื่อป้องกันตัวเองจากความสุ่ม หากคุณทำการศึกษา มีโอกาสสูงที่ผลลัพธ์ที่คุณเห็นจะเป็นเพียงแบบสุ่ม หรือที่เราเรียกกันว่าเป็นสัญญาณรบกวนข้อมูล นั่นเป็นเหตุผลที่คุณอาจเห็นความแตกต่างที่เห็นได้ชัดในค่าเฉลี่ยระหว่างกลุ่ม แต่ไม่มีผลที่สำคัญทางสถิติ มันสามารถไปทางอื่นได้เช่นกัน การศึกษาอาจแสดงผลลัพธ์ที่ไม่สำคัญ แต่ก็อาจมีผลกระทบที่แท้จริงได้ บางทีอาจเป็นเพราะขนาดตัวอย่างมีขนาดเล็กเกินไป

อะไรบ้างที่มีอิทธิพลต่อค่า p?

ค่า P ได้รับอิทธิพลจากปัจจัยต่างๆ หลายประการ ได้แก่ ขนาดตัวอย่าง ขนาดผลกระทบ และประเภทของการทดสอบพร้อมสมมติฐาน

• ขนาดตัวอย่าง: ยิ่งกลุ่มมีขนาดใหญ่เท่าใด คุณก็จะได้รับผลลัพธ์ที่มีนัยสำคัญทางสถิติได้เร็วขึ้นโดยมีความแตกต่างเพียงเล็กน้อย และในทางกลับกัน
• ขนาดผลกระทบ : ยิ่งขนาดผลกระทบมีขนาดใหญ่เท่าใด คุณก็จะได้รับผลลัพธ์ที่มีนัยสำคัญทางสถิติได้เร็วขึ้น แม้กระทั่งกับกลุ่มที่เล็กกว่า และในทางกลับกัน
• ประเภทของการทดสอบ: การทดสอบจะมีความละเอียดอ่อนมากขึ้นต่อความแตกต่างที่มีสมมติฐานบางประการ เช่น การกระจายข้อมูล ความเป็นอิสระของการวัด ความแปรปรวนเท่ากัน ด้านเดียวเทียบกับสองด้าน ระหว่างกลุ่มเทียบกับภายในกลุ่ม เป็นต้น

เช่น. 

การศึกษาวิจัยขนาดใหญ่สามารถค้นพบผลลัพธ์ที่มีนัยสำคัญทางสถิติได้แม้ว่าจะมีผลกระทบเพียงเล็กน้อยก็ตาม ผลกระทบเหล่านี้อาจไม่มีความหมายอะไร นี่คือจุดที่ความสำคัญทางคลินิกเข้ามามีบทบาท การศึกษาเพนิซิลลินเดิมใช้ตัวอย่างขนาดเล็กเพื่อให้ข้อมูลแสดงให้เห็นว่ามีผลกระทบมหาศาลต่อการกำจัดแบคทีเรีย

ค่าพี < เกณฑ์ 0.05

เกณฑ์ความสำคัญทางสถิติที่นักวิจัยส่วนใหญ่ใช้ (เช่น p < 0.05) เป็นเพียงค่าที่ไม่แน่นอน เมื่อพิจารณาถึงปัจจัยทั้งหมดแล้ว ควรเปลี่ยนแปลงตามการตั้งค่าการศึกษาของคุณ หากคุณไม่ต้องการ ผลลัพธ์บวกปลอม จริงๆ (เช่น ตัดสินใจเข้ารับการผ่าตัดที่คุกคามชีวิต) คุณจะต้องมีค่าเกณฑ์ที่ต่ำ หากคุณไม่ต้องการผลลบเทียมจริงๆ (เช่น การวินิจฉัยเนื้องอกร้ายแรง) คุณจะต้องใช้ การศึกษาวิจัยที่มีกำลังขยาย สูง จากนั้นจึงกำหนดค่าเกณฑ์ค่า p ที่สูงขึ้น ภาพนี้แสดงให้เห็นความสัมพันธ์แบบให้และรับระหว่างข้อผิดพลาด ประเภท 1 (α) และข้อผิดพลาด ประเภท 2 (ß)

โปรดทราบว่าค่า p ได้มาจากข้อมูล ไม่ใช่จากทฤษฎี คุณไม่สามารถ "พิสูจน์" ทฤษฎีของคุณด้วยผลที่มีนัยสำคัญทางสถิติได้ สิ่งเดียวที่คุณทำได้คือพยายามหักล้างทฤษฎีของคุณด้วยการศึกษาวิจัยอื่นๆ หากมันเป็นจริง ทฤษฎีของคุณก็ยังคงยืนหยัดอยู่ นี่คือการปลอมแปลง

ความเข้าใจผิดเกี่ยวกับค่า p

ความเข้าใจผิดที่พบบ่อยเกี่ยวกับค่า p ในการวิจัยทางการแพทย์ ได้แก่:

• ค่า p ที่มีนัยสำคัญหมายความว่าผลกระทบหรือความสัมพันธ์นั้นมีมากหรือมีความสำคัญทางคลินิก
  • ความเป็นจริง : ค่า p ระบุเพียงความน่าจะเป็นในการได้รับผลลัพธ์ที่สังเกตได้หรือผลลัพธ์ที่รุนแรงกว่าภายใต้ สมมติฐานว่าง ไม่ได้ให้ข้อมูลเกี่ยวกับ ขนาดหรือความสำคัญทางคลินิกของผล หรือความสัมพันธ์
• ค่า p ที่ไม่สำคัญหมายความว่าไม่มีผลหรือความสัมพันธ์ใดๆ
  • ความเป็นจริง : ค่า p ที่ไม่สำคัญเพียงแต่แสดงว่าผลลัพธ์ที่สังเกตได้ไม่มีนัยสำคัญทางสถิติ แต่ไม่ได้หมายความว่าไม่มีผลหรือความสัมพันธ์ใดๆ เกิดขึ้น อาจเกิดจาก กำลังทางสถิติ ที่ต่ำหรือปัจจัยอื่นๆ เช่น ข้อผิดพลาดในการวัดหรือตัวแปรที่ทำให้สับสน
• ค่า p ที่ 0.05 เป็นเกณฑ์สากลสำหรับความสำคัญทางสถิติ
  • ความเป็นจริง : การเลือกระดับความสำคัญขึ้นอยู่กับบริบท และควรขึ้นอยู่กับปัจจัยต่างๆ เช่น การออกแบบการศึกษา ขนาดตัวอย่าง และผลที่ตามมาจากการเกิด ข้อผิดพลาดประเภท I ระดับนัยสำคัญ ที่ต่ำกว่าอาจเหมาะสมในบางสถานการณ์ เช่น ในการศึกษาวิจัยที่มี การเปรียบเทียบหลายรายการ หรือมีความเสี่ยงสูง
• ค่า p ที่มีนัยสำคัญพิสูจน์ถึงสาเหตุ
  • ความเป็นจริง : ความสำคัญทางสถิติบ่งชี้ถึงความน่าจะเป็นในการได้รับผลลัพธ์ที่สังเกตได้หรือผลลัพธ์ที่รุนแรงกว่าภายใต้สมมติฐานว่างเท่านั้น มันไม่ได้สร้างความสัมพันธ์เชิงเหตุผล ซึ่งต้องมีหลักฐานเพิ่มเติมจากการออกแบบการศึกษา ความน่าเชื่อถือทางชีววิทยา และปัจจัยอื่นๆ
• ขนาดตัวอย่างที่ใหญ่จะทำให้มีค่า p ที่สำคัญเสมอ
  • ความเป็นจริง : ขนาดตัวอย่างขนาดใหญ่เพิ่มพลังในการตรวจจับผลหรือความสัมพันธ์ แต่ไม่ได้รับประกันค่า p ที่มีนัยสำคัญ ขนาดผลกระทบ ความแปรปรวน และปัจจัยอื่นๆ ยังมีบทบาทในการกำหนดความสำคัญทางสถิติด้วย

เอลกินส์, นาย, ปินโต, RZ, เวอร์ฮาเกน, เอ., กรีโกโรวิคซ์, เอ็ม., โซเดอร์ลันด์, เอ., เกมันน์, เอ็ม., โกเมซ-โคเนซา, เอ., แบลนตัน, เอส., บริสมี, เจเอ็ม, อัการ์วาล, เอส., เจตต์ , A. , Karstens, S. , Harms, M. , Verheyden, G. , & Sheikh, U. (2022). การอนุมานทางสถิติผ่านการประมาณ: คำแนะนำจากบรรณาธิการวารสารสมาคมกายภาพบำบัดนานาชาติ วารสารการบำบัดด้วยมือและการจัดการ 30(3), 133–138
Neyman, J. และ Pearson, ES (พ.ศ. 2471) เรื่องการใช้และการตีความเกณฑ์การทดสอบบางประการเพื่อวัตถุประสงค์ในการอนุมานทางสถิติ ไบโอเมตริกซ์, 20A, 175-240.

กรีนแลนด์, เอส. เซนน์, เอส. เจ., รอธแมน, เค. เจ., คาร์ลิน, เจ. บี., พูล, ซี., กูดแมน, เอส. เอ็น., และอัลท์แมน, ดี. จี. (2559). การทดสอบทางสถิติ ค่า P ช่วงความเชื่อมั่น และกำลัง: คำแนะนำสำหรับการตีความผิด วารสารระบาดวิทยายุโรป 31(4), 337–350

แคมเปอร์ เอส.เจ. (2562). การตีความผลลัพธ์ 2 - ความสำคัญทางสถิติและความหมายทางคลินิก: การเชื่อมโยงหลักฐานกับการปฏิบัติ วารสารกายภาพบำบัดกระดูกและกีฬา 49(7), 559–560 

Karl Popper, การคาดเดาและการหักล้าง, ลอนดอน: Routledge และ Keagan Paul, 2506, หน้า 33-39; จาก Theodore Schick, บรรณาธิการ, Readings in the Philosophy of Science, Mountain View, CA: Mayfield Publishing Company, 2000, หน้า 9-13

คริสลีย์, อาร์.เอ็ม. (2553). พลังและข้อผิดพลาด: ความเสี่ยงที่เพิ่มขึ้นของผลลัพธ์บวกปลอมในการศึกษาที่ขาดพลัง วารสารระบาดวิทยาเปิด, 3, 16-19.

Fleming A. เกี่ยวกับฤทธิ์ต้านเชื้อแบคทีเรียของวัฒนธรรมของ Penicillium โดยเฉพาะอย่างยิ่งการอ้างถึงการใช้ในการแยก B. influenzæ บร.จ.เอกซ์โปพาธ. มิ.ย. 2472;10(3):226–36 หมายเลข PMC: PMC2048009.

Erickson, R. A. และ Rattner, B. A. (2563). เคลื่อนตัวไปไกลกว่า p < 0.05 ในพิษวิทยาสิ่งแวดล้อม: คู่มือสำหรับผู้ปฏิบัติธรรม พิษวิทยาสิ่งแวดล้อมและเคมี 39(9), 1657–1669