Нульова гіпотеза | Статистика

Нульова гіпотеза має важливе значення для наукового дослідження, оскільки вона формує основу для дослідницьких запитів. Крім того, що це дає дослідникам місце для старту, воно дозволяє їм розробляти альтернативні гіпотези, які можуть бути перевірені та оцінені.

Роль нульової гіпотези

Вивчення взаємозв'язку між змінними або з'ясування того, чи існують відмінності між групами, часто є важливим у наукових дослідженнях. Відповідно до нульової гіпотези, часто між досліджуваними змінними не існує помітної різниці або зв'язку. Це означає відсутність взаємозв'язку між відповідними компонентами або ефекту між ними.

Дослідники створюють нульову гіпотезу, яка слугує точкою відліку для порівняння отриманих результатів. Зазвичай ця гіпотеза позначається символом H0 і слугує орієнтиром для визначення статистичної значущості результатів дослідження.

Приклад

Давайте використаємо дослідження впливу нової програми втручання на неспецифічний біль у шиї як приклад, щоб ще більше прояснити цю ідею. Відповідно до нульової гіпотези в цій ситуації може не бути помітної різниці в болю в шиї між пацієнтами, які отримують втручання, і тими, хто його не отримує, згідно з нульовою гіпотезою.

Таким чином, нульову гіпотезу можна записати математично як H0: 1 - 2 = 0, де 1 - середній біль у шиї у тих, хто отримав втручання, а 2 - середній біль у шиї у тих, хто його не отримав.

Після збору інформації дослідники проводять статистичні тести, щоб перевірити, чи підтверджують або спростовують дані нульову гіпотезу. Дослідники можуть відкинути нульову гіпотезу на користь альтернативної гіпотези, якщо дані суперечать нульовій гіпотезі і показують значну різницю або зв'язок.

Не робіть цього

Важливо підкреслити, що альтернативна гіпотеза не демонструється відхиленням нульової гіпотези. Натомість вона стверджує, що дані можуть свідчити про те, що альтернативна гіпотеза може вважатися більш правдоподібним поясненням. Зазвичай альтернативна гіпотеза стверджує, що між відповідними змінними існує відмінність або зв'язок.

У реальному житті дослідники аналізують ймовірність отримання отриманих результатів за нульової гіпотези, використовуючи різні статистичні тести, такі як t-тести або критерій хі-квадрат. Дослідники відкидають нульову гіпотезу і перевіряють альтернативну гіпотезу, якщо ймовірність падає нижче встановленого рівня значущості, який зазвичай позначається як альфа (α), найчастіше 0,05.

Перевірка гіпотез має важливе значення для наукового дослідження, оскільки дозволяє дослідникам робити висновки на основі емпіричних даних. Дослідники можуть збільшити знання і сприяти розумінню багатьох явищ, методично аналізуючи і ставлячи під сумнів нульову гіпотезу.

Проблеми з перевіркою нульової гіпотези

Однією з суттєвих критичних зауважень є те, що часто ігноруються розміри ефекту та клінічна значущість на користь зосередження лише на статистичній значущості. Статистична значущість не показує розмір або значущість ефекту, який було виявлено; вона лише говорить про те, чи є ймовірність того, що знахідка сталася випадково. Тестування величезних наборів даних може призвести до значущих результатів (відхилення H0) для найдрібніших відмінностей.

Продовжимо попередній приклад. Вас цікавить ВАШ (візуальна аналогова шкала) болю після лікування двох втручань з приводу болю в шиї. У вас близько 1000 пацієнтів у кожній групі. У групі А середній показник після лікування становить 2,2/10, а в групі Б - 2,4/10. Зважаючи на те, що групи дуже великі, є ймовірність, що ця крихітна різниця призведе до значущої різниці при перевірці нульової гіпотези. Втім, 0,2/10 різниці навряд чи має значення. З точки зору клінічної значущості ці дві групи є рівними.

Інша проблема полягає в тому, що нульова гіпотеза може бути відкинута або прийнята, що може призвести до бінарної інтерпретації даних. Такий дихотомічний підхід може надмірно спростити складні явища і пропустити дрібні деталі даних.

Крім того, перевірка нульової гіпотези передбачає, що нульова гіпотеза є істинною, доки її не буде спростовано. Це може призвести до упередження на користь нульової гіпотези і призвести до можливої сліпоти до потенційно значущих ефектів.

Опоненти стверджують, що альтернативні методи, такі як звіт про розмір ефекту або байєсівська статистика, можуть запропонувати більш ретельний і повчальний аналіз результатів дослідження, що дозволяє краще зрозуміти релевантність і практичні наслідки отриманих даних.

Підсумок

Нульова гіпотеза, яка стверджує, що між змінними, які нас цікавлять, немає суттєвої різниці або зв'язку, діє як припущення за замовчуванням у дослідженні. Для того, щоб відкинути нульову гіпотезу на користь альтернативної, дані повинні бути несумісними з нульовою гіпотезою, показуючи значущу різницю. Вчені можуть вдосконалювати гіпотези, досліджувати нові концепції та поглиблювати наше розуміння світу завдяки перевірці гіпотез. Однак існує велика група критиків, які виступають проти перевірки нульової гіпотези. Він не позбавлений недоліків.

Нейман, Дж. та Пірсон, Е. С. (1933). Про проблеми найбільш ефективної перевірки статистичних гіпотез. Philosophical Transactions of the Royal Society of London, 231A, 289-338. https://doi.org/10.1098/rsta.1933.0009

ГРЕЙВЗ, СПЕНСЕР (1978). Про теорію тестування Неймана-Пірсона. Британський журнал філософії науки, 29(1), 1-24. doi:10.1093/bjps/29.1.1 

Квінтана, Д.С., Вільямс, Д.Р. Байєсівські альтернативи для поширених тестів на значущість нульової гіпотези в психіатрії: нетехнічний посібник з використанням JASP. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Бернхемм та Андерсон, значення P є лише індексом доказів: 20-й проти 20-го. Статистична наука 21-го століття. Екологія (2014), https://doi.org/10.1890/13-1066.1