Pojęcie wielkości efektu na tle teorii Neymana-Pearsona testowania hipotez statystycznych

Abstract

Abstrakt. Celem tej pracy jest zwrócenie uwagi badaczy wykorzystujących metody statystyczne w analizie wyników swoich badań na pomieszanie dwóch różnych teorii testowania hipotez statystycznych, teorii Fishera i teorii Neymana-Pearsona. Zawarcie, w obecnie stosowanym instrumentarium statystycznym, pomysłów z obu tych teorii, powoduje, że znakomita większość badaczy bez chwili namysłu za prawdziwą przyjmuje stwierdzenie, iż im mniejsze prawdopodobieństwo, tym silniejsza zależność. Przedstawione zostały słabe strony teorii Neymana-Pearsona i wynikające z nich problemy przy podejmowaniu decyzji w wyniku przeprowadzonych testów. Problemy te stały się usprawiedliwionym poszukiwaniem mniej zawodnych rozwiązań, jednakże zaproponowane mierniki wielkości efektu, jako wykorzystujące z jednej strony dogmat o związku między wielkością prawdopodobieństwa w teście i siłą zależności, a z drugiej -brak jakichkolwiek podstaw teoretycznych tego rozwiązania, wydają się jeszcze jednym pseudorozwiązaniem rzeczywiście występujących problemów. Dodatkowo, wykorzystywanie mierników wielkości efektów wygląda na próbę zwolnienia badaczy z głębokiego myślenia o uzyskanych wynikach z analizy statystycznej, w kategoriach merytorycznych. Powstał trywialny przepis: odpowiednia wartość miernika natychmiast implikuje siłę zależności -podejście takie wydaje się niegodne badacza.Słowa kluczowe: teorie testowania hipotez statystycznych, prawdopodobieństwo, moc testu, empiryczna moc testu, wielkość efektu. WPROWADZENIEWśród badaczy stosujących metody statystyczne (a dokładniej: testujących hipotezy statystyczne i podejmujących decyzje na podstawie rezultatów testów) do opracowywania wyników swoich badań stosunkowo często można spotkać następującą opinię: im mniejsze prawdopodobieństwo w teście, tym istotniejszy 1 Artykuł ten składa się z fragmentów przygotowywanej do druku książki na temat wnioskowania statystycznego.

Sexual dimorphism and skull size and shape in the highly specialized snake species,Aipysurus eydouxii(Elapidae: Hydrophiinae)

“…According to Allometric Burnaby's Method (Bookstein, 1991;Reyment, 1991;Rohlf, 2010), the effect of body size and ontogenetic allometry of the specimens was removed from the data matrix by the projection of the character set on the plane orthogonal to the size vector (the first eigenvector (PC I) from the variancecovariance matrix of log 10 -transformed data). A Tukey's HSD post-hoc test was used to test for unequal N. To estimate the size effect between group means for statistically significant variables, the Cohen's d Coefficient was calculated (Cohen, 1988;Szymczak, 2015). The Cohen's d coefficient values beetwen d = 0.2 and d = 0.49 is considered a weak effect, d = 0.5 to d = 0.79 is an average effect, and d > 0.8 denotes a strong effect, however it should be interpreted with caution.…”

A Pro-Environmental Method of Sample Size Determination to Predict the Quality Level of Products Considering Current Customers’ Expectations

“…These measures are determined by the entity applying the proposed method. According to authors of previous research [17][18][19][20][21][22][23], it was assumed that it is necessary to determine the values of the following statistical measures:…”

“…Sustainability 2021, 13, 5542 2 of 22 A literature review of this subject indicates that methods to determine the research sample size were used to test preconceived hypotheses [17][18][19][20][21][22][23]. In addition, customer requirements have been obtained using, for example, traditional methods, such as interviews or survey research [24,25].…”

“…Following this literature review, it was concluded that previous research has determined the required number of customers [17][18][19][20][21][22][23]; furthermore, customers' expectations have been obtained and processed to determine the quality level of products (for example: [24,25,30,34,35,38]). Methods to forecast or predict the quality level of products have also been implemented [27,33,36].…”

“…The entity applying the method then determines the probability of making a type II error (β) and the power of the statistical test (µ = 1 − β), which refers to the test's ability (in terms of probability) to identify an incorrect null hypothesis (H 0 ) when it is actually unlikely [19,23]. It is assumed that a large difference between the value in the null hypothesis (H 0 ) and the postulated value in the alternative hypothesis (H 1 ) increases the test power compared to the case of small differences [18].…”