Ciri-ciri utama sebarang hubungan antara pembolehubah.

Kita boleh perhatikan dua sifat paling mudah bagi hubungan antara pembolehubah: (a) magnitud hubungan dan (b) kebolehpercayaan hubungan.

- Magnitud . Magnitud kebergantungan lebih mudah difahami dan diukur daripada kebolehpercayaan. Sebagai contoh, jika mana-mana lelaki dalam sampel mempunyai nilai kiraan sel darah putih (WCC) lebih tinggi daripada mana-mana wanita, maka anda boleh mengatakan bahawa hubungan antara dua pembolehubah (Jantina dan WCC) adalah sangat tinggi. Dengan kata lain, anda boleh meramalkan nilai satu pembolehubah daripada nilai yang lain.

- Kebolehpercayaan (“kebenaran”). Kebolehpercayaan saling bergantung adalah konsep yang kurang intuitif daripada magnitud pergantungan, tetapi ia amat penting. Kebolehpercayaan hubungan secara langsung berkaitan dengan keterwakilan sampel tertentu berdasarkan kesimpulan yang dibuat. Dalam erti kata lain, kebolehpercayaan merujuk kepada kemungkinan perhubungan akan ditemui semula (dengan kata lain, disahkan) menggunakan data daripada sampel lain yang diambil daripada populasi yang sama.

Harus diingat bahawa matlamat utama hampir tidak pernah mengkaji sampel nilai tertentu ini; sampel hanya menarik minat setakat ia memberikan maklumat tentang keseluruhan populasi. Sekiranya kajian memenuhi kriteria tertentu tertentu, maka kebolehpercayaan hubungan yang ditemui antara pembolehubah sampel boleh dikuantifikasi dan dibentangkan menggunakan ukuran statistik piawai.

Magnitud pergantungan dan kebolehpercayaan mewakili dua pelbagai ciri kebergantungan antara pembolehubah. Walau bagaimanapun, tidak boleh dikatakan bahawa mereka benar-benar bebas. Lebih besar magnitud hubungan (sambungan) antara pembolehubah dalam sampel saiz normal, lebih dipercayai (lihat bahagian seterusnya).

Kepentingan statistik keputusan (peringkat-p) ialah ukuran anggaran keyakinan terhadap "kebenaran"nya (dalam erti kata "kewakilan sampel"). Secara lebih teknikal, tahap-p ialah ukuran yang berubah-ubah dalam susunan magnitud yang berkurangan dengan kebolehpercayaan hasilnya. Tahap p yang lebih tinggi sepadan dengan lebih banyak tahap rendah keyakinan terhadap hubungan antara pembolehubah yang terdapat dalam sampel. Iaitu, peringkat p mewakili kebarangkalian ralat yang berkaitan dengan taburan hasil yang diperhatikan kepada keseluruhan populasi.

Sebagai contoh, tahap-p = 0.05(iaitu 1/20) menunjukkan bahawa terdapat kemungkinan 5% bahawa hubungan antara pembolehubah yang terdapat dalam sampel hanyalah ciri rawak sampel. Dalam banyak kajian, tahap p 0.05 dianggap sebagai "margin yang boleh diterima" untuk tahap ralat.

Tidak ada cara untuk mengelakkan sewenang-wenangnya dalam menentukan tahap kepentingan yang benar-benar harus dianggap "signifikan". Pilihan tahap kepentingan tertentu di atas yang keputusannya ditolak sebagai palsu adalah sewenang-wenangnya.

Dalam amalan keputusan muktamad biasanya bergantung pada sama ada keputusan itu diramalkan sebagai priori (iaitu, sebelum eksperimen dijalankan) atau menemui posteriori hasil daripada banyak analisis dan perbandingan yang dilakukan pada pelbagai data, serta pada tradisi bidang kajian.

Biasanya, dalam banyak bidang, hasil p .05 ialah potongan yang boleh diterima. kepentingan statistik, bagaimanapun, perlu diingat bahawa tahap ini masih termasuk margin ralat yang agak besar (5%).

Keputusan signifikan pada tahap p.01 secara amnya dianggap signifikan secara statistik, manakala keputusan pada tahap p.005 atau p.00 secara amnya dianggap signifikan secara statistik. 001 sebagai sangat signifikan. Walau bagaimanapun, ia harus difahami bahawa klasifikasi ini tahap kepentingan agak sewenang-wenangnya dan hanya perjanjian tidak rasmi yang diterima pakai atas dasar pengalaman praktikal dalam bidang pengajian tertentu.

Ia adalah jelas bahawa apa bilangan yang lebih besar analisis akan dijalankan ke atas keseluruhan data yang dikumpul, lebih banyak bilangan keputusan penting (pada tahap yang dipilih) akan ditemui secara kebetulan semata-mata.

Beberapa kaedah statistik yang melibatkan banyak perbandingan, dan dengan itu mempunyai peluang besar untuk mengulangi jenis ralat ini, membuat pelarasan atau pembetulan khas untuk jumlah bilangan perbandingan. Walau bagaimanapun, banyak kaedah statistik (terutamanya kaedah mudah analisis data penerokaan) tidak menawarkan sebarang cara untuk menyelesaikan masalah ini.

Sekiranya hubungan antara pembolehubah adalah "secara objektif" lemah, maka tidak ada cara lain untuk menguji hubungan tersebut selain daripada mengkaji sampel yang besar. Walaupun sampel mewakili dengan sempurna, kesannya tidak akan ketara secara statistik jika sampel adalah kecil. Begitu juga, jika hubungan "secara objektif" sangat kuat, maka ia boleh dikesan dengan darjat tinggi kepentingan walaupun dalam sampel yang sangat kecil.

Lebih lemah hubungan antara pembolehubah, lebih besar saiz sampel yang diperlukan untuk mengesannya dengan bermakna.

Banyak yang berbeza ukuran perhubungan antara pembolehubah. Memilih ukuran tertentu dalam kajian kes bergantung pada bilangan pembolehubah, skala ukuran yang digunakan, sifat kebergantungan, dsb.

Kebanyakan langkah ini, bagaimanapun, tertakluk kepada prinsip umum: Mereka cuba menganggarkan pergantungan yang diperhatikan dengan membandingkannya dengan "pergantungan maksimum yang boleh difikirkan" antara pembolehubah yang sedang dipertimbangkan. Dari segi teknikal, cara biasa untuk membuat anggaran sedemikian adalah dengan melihat bagaimana nilai pembolehubah berbeza-beza dan kemudian mengira berapa banyak daripada jumlah variasi hadir boleh dijelaskan dengan kehadiran variasi "biasa" ("bersama") dalam dua (atau lebih) pembolehubah.

Kepentingan bergantung terutamanya pada saiz sampel. Seperti yang telah dijelaskan, dalam sampel yang sangat besar walaupun hubungan yang sangat lemah antara pembolehubah akan menjadi signifikan, manakala dalam sampel kecil walaupun hubungan yang sangat kuat tidak boleh dipercayai.

Oleh itu, untuk menentukan tahap kepentingan statistik, satu fungsi diperlukan yang akan mewakili hubungan antara "magnitud" dan "signifikan" hubungan antara pembolehubah untuk setiap saiz sampel.

Fungsi sedemikian akan menunjukkan dengan tepat "berkemungkinan besar untuk mendapatkan pergantungan nilai tertentu (atau lebih) dalam sampel saiz tertentu, dengan mengandaikan bahawa tidak ada pergantungan sedemikian dalam populasi." Dengan kata lain, fungsi ini akan memberikan tahap kepentingan
(peringkat-p), dan, oleh itu, kebarangkalian tersilap menolak andaian ketiadaan pergantungan ini dalam populasi.

Hipotesis "alternatif" ini (bahawa tiada hubungan dalam populasi) biasanya dipanggil hipotesis nol.

Adalah sesuai jika fungsi yang mengira kebarangkalian ralat adalah linear dan hanya mempunyai cerun yang berbeza untuk saiz sampel yang berbeza. Malangnya, fungsi ini jauh lebih kompleks dan tidak selalunya sama. Walau bagaimanapun, dalam kebanyakan kes bentuknya diketahui dan boleh digunakan untuk menentukan tahap keertian dalam kajian sampel bagi saiz tertentu. Kebanyakan fungsi ini dikaitkan dengan kelas pengedaran yang dipanggil biasa .

Apabila mewajarkan inferens statistik, soalan mesti ditanya: di manakah garis antara menerima dan menolak hipotesis nol? Disebabkan kehadiran pengaruh rawak dalam eksperimen, sempadan ini tidak boleh dilukis dengan tepat secara mutlak. Ia berdasarkan konsep tahap kepentingan. Tahap kepentingan dipanggil kebarangkalian menolak hipotesis nol secara salah. Atau, dengan kata lain, aras keertian - Ini adalah kebarangkalian ralat jenis I semasa membuat keputusan. Untuk menunjukkan kebarangkalian ini, sebagai peraturan, mereka menggunakan sama ada huruf Yunani α atau huruf latin r. Dalam apa yang berikut kita akan menggunakan surat itu r.

Dari segi sejarah, dalam sains gunaan yang menggunakan statistik, dan khususnya dalam psikologi, tahap kepentingan statistik yang paling rendah dianggap sebagai tahap p = 0.05; mencukupi - tahap r= 0.01 dan peringkat tertinggi p = 0.001. Oleh itu, dalam jadual statistik yang diberikan dalam lampiran kepada buku teks mengenai statistik, nilai jadual untuk tahap biasanya diberikan. p = 0,05, p = 0.01 dan r= 0.001. Kadangkala nilai jadual untuk tahap diberikan r - 0.025 dan p = 0,005.

Nilai 0.05, 0.01 dan 0.001 adalah apa yang dipanggil tahap kepentingan statistik standard. Apabila menganalisis data eksperimen secara statistik, ahli psikologi, bergantung pada objektif dan hipotesis kajian, mesti memilih tahap kepentingan yang diperlukan. Seperti yang dapat kita lihat, di sini nilai terbesar, atau had bawah tahap kepentingan statistik, ialah 0.05 - ini bermakna lima ralat dibenarkan dalam sampel seratus elemen (kes, subjek) atau satu ralat dalam dua puluh elemen ( kes, subjek). Adalah dipercayai bahawa tidak enam, atau tujuh, mahupun lebih kali daripada seratus kita tidak boleh salah. Kos kesilapan sedemikian akan menjadi terlalu tinggi.

Ambil perhatian bahawa pakej statistik moden pada komputer tidak menggunakan tahap keertian standard, tetapi tahap dikira secara langsung dalam proses bekerja dengan kaedah statistik yang sepadan. Tahap ini, yang ditetapkan oleh surat p, mungkin berbeza ungkapan angka dalam julat dari 0 hingga 1, contohnya, p = 0,7, r= 0.23 atau r= 0.012. Adalah jelas bahawa dalam dua kes pertama tahap kepentingan yang diperoleh adalah terlalu tinggi dan mustahil untuk mengatakan bahawa hasilnya adalah ketara. Pada masa yang sama dalam kes yang terakhir keputusan adalah ketara pada tahap 12 ribu. Ini adalah tahap yang boleh dipercayai.

Peraturan untuk menerima kesimpulan statistik adalah seperti berikut: berdasarkan data eksperimen yang diperoleh, ahli psikologi mengira apa yang dipanggil statistik empirikal, atau kepentingan empirikal. Adalah mudah untuk menyatakan kuantiti ini sebagai H em . Kemudian statistik empirikal H em dibandingkan dengan dua nilai kritikal yang sepadan dengan tahap keertian 5% dan 1% untuk kaedah statistik yang dipilih dan yang dilambangkan sebagai H cr . Kuantiti H cr didapati untuk kaedah statistik yang diberikan menggunakan jadual sepadan yang diberikan dalam lampiran kepada mana-mana buku teks statistik. Kuantiti ini, sebagai peraturan, sentiasa berbeza dan dalam apa yang berikut, untuk kemudahan, mereka boleh dipanggil sebagai H kr1 Dan H kr2 . Nilai kritikal ditemui daripada jadual H kr1 Dan H kr2 Adalah mudah untuk mewakilinya dalam bentuk notasi standard berikut:

Walau bagaimanapun, kami menekankan bahawa kami menggunakan notasi H em Dan H cr sebagai singkatan daripada perkataan "nombor". Semua kaedah statistik telah menerima pakai sebutan simbolik mereka sendiri untuk semua kuantiti ini: kedua-dua nilai empirikal dikira menggunakan kaedah statistik yang sepadan dan nilai kritikal yang ditemui daripada jadual yang sepadan. Sebagai contoh, apabila mengira pekali korelasi pangkat Spearman menggunakan jadual nilai kritikal pekali ini, nilai kritikal berikut dijumpai, yang untuk kaedah ini dilambangkan dengan huruf Yunani ρ ("rho"). Jadi untuk p = Nilai 0.05 didapati daripada jadual ρ cr 1 = 0.61 dan untuk p = 0.01 magnitud ρ cr 2 = 0,76.

Dalam bentuk standard notasi yang diterima pakai dalam pembentangan berikut, ia kelihatan seperti ini:

Sekarang kita perlu membandingkan nilai empirikal kita dengan dua nilai kritikal yang ditemui daripada jadual. Cara terbaik untuk melakukan ini ialah meletakkan ketiga-tiga nombor pada apa yang dipanggil "paksi keertian." "Paksi kepentingan" adalah garis lurus, di hujung kirinya ialah 0, walaupun ia, sebagai peraturan, tidak ditandakan pada garis lurus ini sendiri, dan dari kiri ke kanan terdapat peningkatan dalam siri nombor. Sebenarnya, ini adalah paksi abscissa sekolah biasa OH Sistem koordinat kartesian. Walau bagaimanapun, keanehan paksi ini ialah ia mempunyai tiga bahagian, "zon". Satu zon ekstrem dipanggil zon tidak penting, zon ekstrem kedua dipanggil zon signifikan, dan zon pertengahan dipanggil zon ketidakpastian. Sempadan ketiga-tiga zon ialah H kr1 Untuk p = 0.05 dan H kr2 Untuk p = 0.01, seperti yang ditunjukkan dalam rajah.

Bergantung pada peraturan keputusan (peraturan inferens) yang ditetapkan dalam kaedah statistik ini, dua pilihan adalah mungkin.

Pilihan pertama: hipotesis alternatif diterima jika H em ≥H cr .

Atau pilihan kedua: hipotesis alternatif diterima jika H em ≤H cr .

Dikira H em mengikut beberapa kaedah statistik, ia semestinya termasuk dalam satu daripada tiga zon.

Sekiranya nilai empirikal jatuh ke dalam zon tidak signifikan, maka hipotesis H 0 tentang ketiadaan perbezaan diterima.

Jika H em jatuh ke dalam zon keertian, hipotesis alternatif H 1 diterima O kehadiran perbezaan, dan hipotesis H 0 ditolak.

Jika H em jatuh ke dalam zon ketidakpastian, penyelidik menghadapi dilema. Jadi, bergantung kepada kepentingan masalah yang diselesaikan, dia boleh menganggap anggaran statistik yang diperolehi boleh dipercayai pada tahap 5%, dan dengan itu menerima hipotesis H 1, menolak hipotesis H 0 , atau - tidak boleh dipercayai pada tahap 1%, dengan itu menerima hipotesis H 0. Walau bagaimanapun, kami menekankan bahawa ini adalah keadaan apabila ahli psikologi boleh membuat kesilapan jenis pertama atau kedua. Seperti yang dibincangkan di atas, dalam keadaan ini adalah yang terbaik untuk meningkatkan saiz sampel.

Marilah kita juga menekankan bahawa nilai H em mungkin betul-betul sepadan sama ada H kr1 atau H kr2 . Dalam kes pertama, kita boleh mengandaikan bahawa anggaran boleh dipercayai tepat pada tahap 5% dan menerima hipotesis H 1, atau, sebaliknya, menerima hipotesis H 0. Dalam kes kedua, sebagai peraturan, hipotesis alternatif H 1 tentang kehadiran perbezaan diterima, dan hipotesis H 0 ditolak.

Konsep kepentingan statistik

Kebolehpercayaan statistik adalah penting dalam amalan pengiraan FCC. Ia telah dinyatakan sebelum ini bahawa dari yang sama penduduk beberapa sampel boleh dipilih:

Jika mereka dipilih dengan betul, maka penunjuk purata mereka dan penunjuk populasi umum berbeza sedikit antara satu sama lain dalam magnitud ralat perwakilan, dengan mengambil kira kebolehpercayaan yang diterima;

Jika mereka dipilih daripada populasi yang berbeza, perbezaan antara mereka ternyata ketara. Statistik adalah tentang membandingkan sampel;

Jika mereka berbeza secara tidak ketara, tidak prinsipal, tidak ketara, iaitu mereka sebenarnya tergolong dalam populasi umum yang sama, perbezaan di antara mereka dipanggil tidak boleh dipercayai secara statistik.

Boleh dipercayai secara statistik Perbezaan sampel ialah sampel yang berbeza secara ketara dan asas, iaitu, ia tergolong dalam populasi umum yang berbeza.

Di FCC, menilai kepentingan statistik perbezaan sampel bermakna menyelesaikan banyak masalah praktikal. Sebagai contoh, pengenalan kaedah pengajaran baru, program, set latihan, ujian, latihan kawalan dikaitkan dengan ujian eksperimen mereka, yang sepatutnya menunjukkan bahawa kumpulan ujian pada asasnya berbeza daripada kumpulan kawalan. Oleh itu, kaedah statistik khas digunakan, dipanggil kriteria kebolehpercayaan statistik, membenarkan untuk mengesan kehadiran atau ketiadaan perbezaan yang signifikan secara statistik antara sampel.

Semua kriteria dibahagikan kepada dua kumpulan: parametrik dan bukan parametrik. Kriteria parametrik memperuntukkan kehadiran mandatori undang-undang pengedaran normal, i.e. ini bermakna penentuan mandatori penunjuk utama undang-undang biasa - purata nilai aritmetik X dan purata sisihan segi empat sama O. Kriteria parametrik adalah yang paling tepat dan betul. Ujian bukan parametrik berdasarkan perbezaan pangkat (ordinal) antara elemen sampel.

Berikut ialah kriteria utama untuk kepentingan statistik yang digunakan dalam amalan FCC: Ujian pelajar, ujian Fisher, ujian Wilcoxon, ujian White, ujian Van der Waerden (ujian tanda).

Ujian t pelajar dinamakan sempena saintis Inggeris K. Gosset (Pelajar - nama samaran), yang menemui kaedah ini. Ujian t pelajar ialah parametrik, digunakan untuk perbandingan penunjuk mutlak sampel. Sampel mungkin berbeza dari segi saiz.

Ujian-t Pelajar ditakrifkan seperti berikut.

1. Cari ujian-t Pelajar t mengikut formula berikut:

di mana Xi, x 2 - cara aritmetik sampel dibandingkan; /i ь w 2 - ralat keterwakilan dikenal pasti berdasarkan petunjuk sampel yang dibandingkan.

2. Latihan di FCC telah menunjukkan bahawa untuk kerja sukan sudah cukup untuk menerima kebolehpercayaan akaun R= 0,95.

63 Untuk kebolehpercayaan akaun: P= 0.95 (a = 0.05), dengan bilangan darjah; kebebasan k= «! + p 2 - 2, menggunakan jadual dalam Lampiran 4, kita dapati nilainya \ baik, nilai had bagi kriteria (^gr).

3. Berdasarkan sifat-sifat hukum taburan normal, perbandingan dibuat dalam ujian Pelajar t Dan t^.

4. Kami membuat kesimpulan:

Jika t> ftp, maka perbezaan antara sampel yang dibandingkan adalah signifikan secara statistik;

Jika t< 7 F, maka perbezaannya adalah tidak ketara secara statistik.

Bagi penyelidik FCS, menilai kepentingan statistik ialah langkah pertama dalam menyelesaikan masalah tertentu: sama ada terdapat perbezaan asas atau bukan asas antara; adalah sampel yang dibandingkan. Langkah seterusnya ialah; penilaian perbezaan ini dari sudut pandangan pedagogi, yang ditentukan oleh syarat tugas.

Kepentingan statistik

Keputusan yang diperoleh menggunakan prosedur penyelidikan khusus dipanggil signifikan secara statistik, jika kebarangkalian kejadian rawak mereka adalah sangat kecil. Konsep ini boleh digambarkan dengan contoh melambung duit syiling. Katakan syiling dilambung 30 kali; Kepala naik 17 kali dan ekor naik 13 kali. Adakah ketara sisihan hasil ini daripada yang dijangkakan (15 kepala dan 15 ekor), atau adakah sisihan ini rawak? Untuk menjawab soalan ini, anda boleh, sebagai contoh, melambungkan syiling yang sama banyak kali, 30 kali berturut-turut, dan pada masa yang sama perhatikan berapa kali nisbah "kepala" kepada "ekor" 17:13 diulang. Analisis statistik menyelamatkan kita daripada proses yang membosankan ini. Dengan bantuannya, selepas 30 lambungan syiling pertama, anda boleh menganggarkan kemungkinan bilangan kejadian rawak 17 "kepala" dan 13 "ekor". Penilaian sebegini dipanggil pernyataan kebarangkalian.

DALAM sastera saintifik dalam psikologi industri-organisasi pernyataan probabilistik dalam bentuk matematik dilambangkan dengan ungkapan r(kebarangkalian)< (менее) 0,05 (5 %), которое следует читать как «вероятность менее 5 %». В примере с киданием монеты это утверждение будет означать, что если исследователь проведет 100 опытов, каждый раз кидая монету по 30 раз, то он может ожидать случайного выпадения комбинации из 17 «орлов» и 13 «решек» менее, чем в 5 опытах. Этот результат будет сочтен статистически значимым, поскольку в индустриально-организационной психологии уже давно приняты стандарты статистической значимости 0,05 и 0,01 (hlm< 0.01). Fakta ini penting untuk memahami kesusasteraan, tetapi tidak boleh dianggap sebagai sia-sia untuk menjalankan pemerhatian yang tidak memenuhi piawaian ini. Apa yang dipanggil hasil penyelidikan tidak penting (pemerhatian yang boleh diperoleh secara kebetulan) lebih satu hingga lima kali daripada 100) boleh menjadi sangat berguna dalam mengenal pasti trend dan sebagai panduan untuk penyelidikan masa depan.

Perlu diingatkan juga bahawa tidak semua ahli psikologi bersetuju dengan piawaian dan prosedur tradisional (cth., Cohen, 1994; Sauley & Bedeian, 1989). Isu pengukuran adalah diri mereka sendiri tema utama hasil kerja ramai penyelidik mengkaji ketepatan kaedah pengukuran dan premis yang mendasarinya kaedah sedia ada dan piawaian, serta membangunkan doktor dan alat baharu. Mungkin pada masa akan datang, penyelidikan dalam kuasa ini akan membawa kepada perubahan dalam piawaian tradisional untuk menilai kepentingan statistik, dan perubahan ini akan mendapat penerimaan yang meluas. (Bahagian Kelima Persatuan Psikologi Amerika ialah sekumpulan ahli psikologi yang pakar dalam kajian penilaian, pengukuran dan statistik.)

Dalam laporan penyelidikan, pernyataan kebarangkalian seperti r< 0.05, disebabkan oleh beberapa perkara statistik, iaitu nombor yang diperoleh hasil daripada set prosedur pengiraan matematik tertentu. Pengesahan kebarangkalian diperoleh dengan membandingkan statistik ini dengan data daripada jadual khas yang diterbitkan untuk tujuan ini. Dalam organisasi-industri penyelidikan psikologi Selalunya terdapat statistik seperti r, F, t, r>(baca “chi square”) dan R(baca "berbilang" R"). Dalam setiap kes, statistik (satu nombor) yang diperoleh daripada analisis siri pemerhatian boleh dibandingkan dengan nombor daripada jadual yang diterbitkan. Selepas ini, anda boleh merumuskan pernyataan kebarangkalian tentang kebarangkalian mendapatkan nombor ini secara rawak, iaitu membuat kesimpulan tentang kepentingan pemerhatian.

Untuk memahami kajian yang diterangkan dalam buku ini, adalah memadai dengan pemahaman yang jelas tentang konsep kepentingan statistik dan tidak semestinya mengetahui bagaimana statistik yang dinyatakan di atas dikira. Walau bagaimanapun, adalah berguna untuk membincangkan satu andaian yang mendasari semua prosedur ini. Ini adalah andaian bahawa semua pembolehubah yang diperhatikan diedarkan lebih kurang undang-undang biasa. Di samping itu, apabila membaca laporan penyelidikan psikologi industri-organisasi, tiga konsep lain sering menemui permainan itu. peranan penting- pertama, korelasi dan korelasi, kedua, pembolehubah penentu/ramalan dan “ANOVA” ( analisis varians), ketiga, sekumpulan kaedah statistik di bawah nama biasa"meta-analisis".

Mari kita pertimbangkan contoh tipikal aplikasi kaedah statistik dalam perubatan. Pencipta ubat mencadangkan bahawa ia meningkatkan diuresis mengikut kadar dos yang diambil. Untuk menguji hipotesis ini, mereka memberi lima sukarelawan dos ubat yang berbeza.

Berdasarkan keputusan pemerhatian, graf diuresis berbanding dos diplotkan (Rajah 1.2A). Kebergantungan boleh dilihat dengan mata kasar. Penyelidik mengucapkan tahniah kepada satu sama lain atas penemuan itu, dan dunia pada diuretik baru.

Malah, data hanya membenarkan kami menyatakan dengan pasti bahawa diuresis bergantung kepada dos diperhatikan dalam lima sukarelawan ini. Hakikat bahawa pergantungan ini akan nyata dalam semua orang yang mengambil ubat itu tidak lebih daripada andaian.
ZY

Dengan

kehidupan Ia tidak boleh dikatakan bahawa ia tidak berasas - jika tidak, mengapa menjalankan eksperimen?

Tetapi ubat itu mula dijual. Semua lebih ramai orang mengambilnya dengan harapan dapat meningkatkan pengeluaran air kencing mereka. Jadi apa yang kita nampak? Kita lihat Rajah 1.2B, yang menunjukkan ketiadaan sebarang kaitan antara dos ubat dan diuresis. Lingkaran hitam menunjukkan data daripada kajian asal. Statistik mempunyai kaedah yang membolehkan kami menganggarkan kemungkinan mendapatkan sampel "tidak mewakili" sedemikian, dan sememangnya mengelirukan. Ternyata jika tiada hubungan antara diuresis dan dos ubat, "pergantungan" yang terhasil akan diperhatikan dalam kira-kira 5 daripada 1000 eksperimen. Jadi, dalam dalam kes ini penyelidik hanya bernasib malang. Walaupun mereka telah menggunakan kaedah statistik yang paling maju, ia masih tidak akan menghalang mereka daripada membuat kesilapan.

Kami memberikan contoh rekaan ini, tetapi tidak jauh dari realiti, bukan untuk menunjukkan ketidakbergunaan
kebolehan statistik. Dia bercakap tentang sesuatu yang lain, tentang sifat kebarangkalian kesimpulannya. Hasil daripada menggunakan kaedah statistik, kita tidak memperoleh kebenaran muktamad, tetapi hanya anggaran kebarangkalian andaian tertentu. Di samping itu, semua orang kaedah statistik berdasarkan sendiri model matematik dan keputusannya adalah betul setakat model ini sepadan dengan realiti.

Lebih lanjut mengenai topik KEBOLEHPERCAYAAN DAN KEPENTINGAN STATISTIK:

1. Perbezaan ketara secara statistik dalam penunjuk kualiti hidup
2. Statistik populasi. Ciri-ciri perakaunan. Konsep penyelidikan berterusan dan terpilih. Keperluan untuk data statistik dan penggunaan dokumen perakaunan dan pelaporan
3. ABSTRAK. KAJIAN KEBOLEHPERCAYAAN PETUNJUK TONOMETER UNTUK MENGUKUR TEKANAN INTRAOKULAR MELALUI KELOMPOK MATA 2018, 2018