Articolo
FONT SIZE :
fontsize_dec
fontsize_inc
Autore: camermike1987
Visualizzazioni: 3
Tempo: 18:48:02 | 2 anni fa

L'alfa statistico termine, che cos'è?

La statistica è sempre di opportunità. Non si può mai dire nulla con certezza al 100%, ma si sta guardando come si può creare qualcosa di plausibile. In genere si guardano le statistiche quanto è probabile che si trova un certo effetto nel campione, mentre questo effetto nella popolazione non esiste. Perché questo sta succedendo opportunità, c'è sempre la possibilità che questo sta andando male. La possibilità di prendere per scontato e si può essere un certo numero di attaccare. Questo è il vostro alfa.

Verifica delle ipotesi

Noi Statisticamente prova di quanto abbiamo mai cominciamo a immaginare che non vi è alcun effetto. Questo è chiamato l'ipotesi nulla o H0. Poi andare a vedere come si può fare plausibile che l'effetto esiste, espressa in ipotesi alternativa o H1.
Immaginate di misura due gruppi di atleti a loro tempo nei 100 metri. Troverete una certa differenza tra questi gruppi, dire una media di 1,0 secondi. Si H0 è che non vi è alcun effetto a vostra popolazione, non vi è alcuna differenza tra i gruppi, in modo che la differenza osservata di 1,0 secondi casuale. È test statistico sta cercando di dimostrare il contrario, il H1: vi è un effetto nella popolazione, la differenza osservata di 1.0 seconda, essa basate, ei gruppi differiscono strutturalmente l'uno dall'altro. Questo può dare test statistici.
Da ogni test statistico è un valore p ruoli. Questo è un numero tra 0 e 1 ed è uguale alla probabilità che troverete l'effetto corrente, mentre non vi è alcun effetto nella popolazione. In altre parole, questa è l'occasione di prendere H1 quando H0 è vera. Trova un p-value di 0:20, allora le probabilità sono del 20% in modo che non gioca effetto nella popolazione. Il 20% è ancora piuttosto alto rischio e quindi con un p-value di 00:20 H1 non essere adottata rapidamente. Supponiamo di trovare un valore p di 00:01, ora è la possibilità che H0 che è solo l'1%. ?? In tal caso può prendere il vostro H1 spesso. Il confine di se o non adottare H1 trovati a un p-value varia a seconda della disciplina. La medicina errori possono avere gravi conseguenze e non possono realmente verificarsi. Un'occasione di 1% sulla decisione sbagliata può essere ancora troppo. Nelle scienze sociali è diverso, se si è al 99% qualcosa di certo su una popolazione può dire è spesso molto preciso. Il limite si applica a voi è il vostro valore di alfa, spesso questo è 0,1, 00:05 o 00:01.

Tipo 1 e tipo 2 errori

Resta probabilità, per cui vi è sempre la possibilità che le cose vanno male. Si supponga di H1 può assumere in base al p-value e la tua alpha, mentre nessun effetto nella popolazione ma avete per caso un campione o punteggi estremi. Questa probabilità è sempre presente ed è pari a alpha. Se si utilizza un alfa di 0:05 si accetta anche che c'è una probabilità del 5% che si adotta un H1 mentre questo non è vero. Questo è chiamato un errore di tipo 1. Alpha è l'occasione che si accetta di fare un errore di tipo 1. A causa della possibilità di questo errore è così piccolo alfa e la ricerca devono essere molto precisi e un po 'più grande quando si tratta di meno controllo. Un errore di tipo 2 è il contrario: il H0 non è respinta, anche se c'è un effetto nella popolazione. Tuttavia, il test statistico non ha dimostrato questo effetto e il rischio di questo errore dipende anche dal carattere distintivo del test. Il carattere distintivo della chiave è anche chiamato il potere, qui, maggiore è la potenza, minore è la probabilità di un errore di tipo 2. La possibilità di un errore di tipo 2 si chiama beta, e il potere che determinano anche la formula: Potenza = 1-β.

Verifica delle ipotesi con alpha

Decidiamo su un alfa e troviamo un particolare valore p. Tuttavia, le ipotesi sono testate, illustriamo nella figura seguente. Staremo a vedere dove ha trovato media nel normaalverdeing della popolazione. Avevamo trovato la vista media qui possiamo anche come media con una distribuzione normale simmetrica intorno ad esso, ma per ragioni di chiarezza è mostrato solo media. Nella foto a sinistra si vede che la striscia verde si trova nella zona bianca. In questo caso, quindi, dove il H0. Nell'immagine a destra è la media del campione nella zona rossa. Così ora H1 vero.
Due modi di ipotesi. La linea verde riflette la media del campione che è nell'immagine a sinistra nella zona H0 e nella corte nella zona H1. Le diverse distribuzioni dell'area H1 rosso essere il risultato della differenza tra i tasti facce singole e doppie. Nelle chiavi a due lati sono le 5% osservazioni distribuiti su due code della distribuzione normale. Il campo H1 ora è quindi più piccolo, ed è quindi difficile trovare un risultato significativo.

Tasti Uno o due lati

Quanto è grande la zona rossa a seconda alfa. Quando un alfa di 00:05 è 5% delle osservazioni nell'area H1 rossa. Ma, come si può vedere nell'immagine può essere diffuso su tutta l'area delle estremità della distribuzione normale, o lateralmente cluster. E come nell'esempio è esattamente la differenza tra un effetto significativo e un effetto non significativo. Ciò è dovuto al modo di test. Se ipotizziamo: una media è più grande della media di due, allora è del tutto assurdo di focalizzare la nostra attenzione sulla zona rossa a sinistra, che sta per la proposizione ?? significa uno è più piccole della media 2 ??. Ora siamo concentrati sulla ricerca del giusto effetto e quindi stiamo guardando solo alla fine giusto. Perché usiamo un alfa del 5% si guarda quindi al 5% delle osservazioni in tal senso: ci prova unilaterale. Sarebbe abbiamo schierato prova, dovremmo dividere la alpha 5% su entrambe le code. Le due aree H1 e sono quindi minore del valore p rilevato deve pertanto essere anche inferiore per essere indicato come significativo.
Tasti Sided accade soprattutto in t-test in cui due gruppi si confrontano, e quindi svolge una chiara aspettativa. Nei risultati del t-test, si può quindi lavorare con un valore p dimezzato, o un'alfa raddoppiato. Molti altri tasti, compreso il test ANOVA sempre due lati e nessuna direzione può essere dato.
Commenti (0)
Non ci sono commenti

Aggiungi un commento

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Caratteri rimanenti: 3000
captcha