Co to jest test P?
Test P jest metodą statystyczną, która sprawdza poprawność hipotezy zerowej, która stwierdza powszechnie przyjęte twierdzenie o populacji. Chociaż termin „null” jest nieco mylący, jego celem jest przetestowanie przyjętego faktu poprzez próbę obalenia go lub unieważnienia. Test P może dostarczyć dowodów, które mogą odrzucić lub nie odrzucić (statystyki mówią o „niejednoznacznym”) powszechnie akceptowanym twierdzeniu.
Kluczowe dania na wynos
- Test P jest metodą statystyczną, która sprawdza poprawność hipotezy zerowej, która określa powszechnie przyjęte twierdzenie dotyczące populacji. Im mniejsza wartość p, tym silniejszy dowód, że hipoteza zerowa powinna zostać odrzucona i że hipoteza alternatywna może być bardziej wiarygodnym. Statystyka testu P zazwyczaj przebiega zgodnie ze standardowym rozkładem normalnym, gdy stosuje się duże próbki.
Zrozumienie testu P.
Test P oblicza wartość, która umożliwia badaczowi określenie wiarygodności zaakceptowanego roszczenia. Odpowiednia wartość p jest porównywana ze statystycznie znaczącym poziomem (poziom ufności) alfa (α), który badacz wybrał do oceny losowości wyników. Statystyka testu P zazwyczaj przebiega zgodnie ze standardowym rozkładem normalnym, gdy stosuje się duże próbki.
Naukowcy zazwyczaj wybierają poziomy alfa 5% lub niższe, co przekłada się na poziomy ufności 95% lub wyższe. Innymi słowy, wartość p mniejsza niż 5% poziom alfa oznacza, że istnieje większa niż 95% szansa, że twoje wyniki nie są losowe, co zwiększa istotność twoich wyników. To dowód, który pozwoliłby badaczowi odrzucić hipotezę zerową.
- Im mniejsza wartość p (wartość p <alfa), tym silniejszy jest dowód, że hipoteza zerowa powinna zostać odrzucona i że hipoteza alternatywna może być bardziej wiarygodna. Im większa wartość p (wartość p> alfa), słabsze dowody przeciwko hipotezie zerowej, co oznacza, że nie można jej odrzucić, co czyni test niejednoznacznym.
Podczas przeprowadzania testu hipotez w celu potwierdzenia roszczenia badacz postuluje dwie hipotezy - zerową (H 0) i alternatywną (H 1). Formułowanie hipotez zerowych i alternatywnych jest kluczem do przydatności, jaką test P może zaoferować badaczowi.
Hipoteza zerowa określa powszechnie przyjęte przekonanie lub przesłankę, którą badacz sprawdza, czy może ją odrzucić. Kluczową kwestią do zrozumienia jest to, że badacz chce zawsze odrzucić hipotezę zerową, a test P pomaga im w osiągnięciu tego celu. Należy również zauważyć, że jeśli test P nie odrzuci hipotezy zerowej, wówczas test ten zostanie uznany za niejednoznaczny i w żadnym wypadku nie ma być potwierdzeniem hipotezy zerowej.
Alternatywna hipoteza to inne wyjaśnienie postawione przez badacza w celu lepszego wyjaśnienia badanego zjawiska. Jako taki, musi to być jedyne lub najlepsze możliwe alternatywne wyjaśnienie. W ten sposób, jeśli wartość p potwierdza odrzucenie hipotezy zerowej, hipotezę alternatywną można uznać za wiarygodną.
Test Z i test T
Powszechnym i uproszczonym typem testów statystycznych jest test Z, który testuje istotność statystyczną średniej próbki dla hipotetycznej średniej populacji, ale wymaga znajomości odchylenia standardowego populacji, co często nie jest możliwe. Test t jest bardziej realistycznym typem testu, ponieważ wymaga jedynie odchylenia standardowego próbki, w przeciwieństwie do odchylenia standardowego populacji.
Zrozumienie, w jaki sposób statystyki mogą wpływać na rozwój produktów, szczególnie w biotechnologii, może być bardzo przydatne w zachęcaniu inwestorów do podejmowania bardziej świadomych decyzji inwestycyjnych. Na przykład podstawowe zrozumienie wyników statystycznych dla badania klinicznego obiecującego leku może być nieocenione w ocenie potencjalnych zwrotów zasobów biotechnologicznych.
