In de statistische analyse , " betekenis " heeft een specifieke technische betekenis . In het algemeen gebruik , significant kan betekenen dat iets betekenis heeft , of is belangrijk . Echter , toen wetenschappers en andere data-analisten zeggen dat een resultaat was significant , ze niet gewoon betekenen een grote of opmerkelijke bevinding . Ze betekenen dat de resultaten verkregen in de studie bepaalde statistische voorwaarden hebben voldaan . Significantie testen A " hypothese " is een voorspelling of een verklaring voor een bepaald fenomeen . In de wetenschap zijn deze hypotheses getest in studies waarbij gegevens worden verzameld en vervolgens geanalyseerd om te zien of het ondersteunt of weerlegt de hypothese . Omdat verzameling en analyse nooit perfect is , er altijd een zekere mate van waarschijnlijkheid van het verkrijgen van een positief resultaat , zelfs wanneer de hypothese eigenlijk onjuist . Significantie testen probeert uit te werken wat deze kans is , hoe lager de kans , des te belangrijker de bevindingen P waardeert Belang wordt gemeld met een " p -waarde. . " Deze waarde meet waarschijnlijkheid van nul , wat betekent dat 0 procent kans , en 1 , wat betekent dat 100 procent kans . Hoe dichter het cijfer nul , hoe moeilijker het is om de resultaten van de analyse verkregen kans , en daarom meer vertrouwen onderzoekers de bevindingen . . De p -waarde wordt berekend door middel van complexe analyse procedures , meestal met behulp van gespecialiseerde software programma Alpha Een belangrijke vraag voor analisten om te vragen is : " Wat p waarde is aanvaardbaar ? ' Dit ' aanvaardbaar niveau ' wordt de alfa genoemd , en het is de cut - off point , waaronder de resultaten worden beschouwd als statistisch significant . In veel gebieden , waaronder psychologie , sociologie en economie , is alpha ingesteld op 0,05 . Dit betekent dat , indien de waarschijnlijkheid van het verkrijgen van de resultaten op kans 5 procent of minder , worden zij beschouwd als statistisch significant . Type I en Type II fouten de alpha- niveau heeft belangrijke implicaties . Bij te hoog ingesteld , bijvoorbeeld 0.2 , zal valse positieven glippen door het net en analisten gaan uit van een effect als er niet een. Dit is een type I fout . Toen te laag , bijvoorbeeld 0,0001 , vals negatieven kunnen worden gemaakt en kunnen de onderzoekers geen effect te nemen wanneer er een is. Dit is een type II fout . Er is geen wetenschappelijke manier om alfa te stellen , en de meest gebruikte 0.05 conventie is in wezen arbitrair . Beperkingen Een belangrijke beperking van NHST is dat de p-waarde is zeer beïnvloed door het aantal gegevenspunten in de analyse . Als er duizenden datapunten in de analyse , zelfs zeer kleine effecten kunnen zijn statistisch significant . Dus , kan een significant effect in een studie niet iets dat is een effect in de echte wereld vertegenwoordigen . Om dit te omzeilen , wordt betekenis meestal gecombineerd met andere statistieken , zoals de ' effect size ', die de grootte van het verschil benadert .
|