STATYSTYKA I PSYCHOMETRIA

|
Odcinek 13 . Od czego zależy moc testu, i do czego ta wiedza może być przydatna

W poprzednim odcinku omówiliśmy szczegółowo, czym we wnioskowaniu statystycznym są błędy I i II rodzaju. Błąd I rodzaju, którego dopuszczalny poziom oznaczany jest literą α, dotyczy sytuacji, w której widoczny w naszej analizie związek między zmiennymi potraktujemy jako nieprzypadkowy, podczas gdy tak naprawdę w populacji związek taki nie występuje.. Z kolei błąd II rodzaju, którego wartość oznaczamy literą β, dotyczy sytuacji odwrotnej – poziom β oznacza prawdopodobieństwo, że w naszych badaniach nie wykryjemy istotnej zależności, choć na poziomie populacyjnym jest ona obecna. Moc testu to parametr pokazujący, jak duże jest prawdopodobieństwo, że w naszej badanej próbie uda się wykryć istotną zależność między zmiennymi (przy założeniu, że istnieje ona na poziomie populacyjnym). Przyjrzymy się teraz, od czego to prawdopodobieństwo zależy.

Odcinek 12.  Zaczynaliśmy od alfa, trzeba powiedzieć też beta, czyli kilka słów na temat mocy testów statystycznych

Do tej pory, zajmując się oceną wielkości efektu, zakładaliśmy, że wyniki uzyskane przez nas w badaniu osiągają poziom statystycznej istotności (czyli np. przy alfa równym 0,05 jest tylko 5% prawdopodobieństwo, że popełniamy błąd, stwierdzając istnienie uzyskanej relacji). Co jednak, jeśli nasze wyniki nie uzyskują poziomu istotności statystycznej? Czy musi to oznaczać, że na poziomie populacji nie ma związku między interesującymi nas zmiennymi?
Na podstawowych kursach ze statystyki czy metodologii często słyszymy, że hipotezy zerowej (tj. „roboczej” hipotezy o braku związku) się nie potwierdza. Po prostu stwierdzamy, że nie mamy podstaw, by ją odrzucić.

|
Odcinek 11. Składniki modelu regresji, czyli jak rozpoznać naprawdę ważne predyktory.

Porównywanie wielkości R2 w dwóch modelach daje nam istotne informacje na temat zmiennych uwzględnionych w modelu, jeśli zmienne te są ze sobą nieskorelowane. W przypadku jednak, gdy istnieje większa lub mniejsza korelacja między poszczególnymi predyktorami, zmiana R2 z modelu na model przestaje w sposób jednoznaczny pokazywać nam ważność wprowadzonych do modelu zmiennych. Współliniowość jest niestety dość powszechnym problemem w badaniach psychologicznych i – wstyd powiedzieć – wielu autorów wciąż nie radzi sobie zbyt dobrze z właściwą i pełną interpretacją modeli regresji, w których ten efekt występuje.

|
Odcinek 10. O porównywaniu modeli regresji, czyli klika słów na temat zmiany R2

Grecka litera Δ (delta) stosowana jest często do oznaczania przyrostu jakiejś wartości, czyli różnicy między wartością końcową a początkową. Nie inaczej jest w przypadku R2, gdzie ΔR2 oznacza po prostu wzrost poziomu wyjaśnianej zmienności z jednego modelu na drugi, np. po dodaniu dodatkowej zmiennej wyjaśniającej (różnice taką, czyli ΔR2, jest sens liczyć jedynie dla tzw. modeli zagnieżdżonych, czyli w sytuacji, gdy mniejszy model zawiera się w większym).