• guven araliginda incelenir, z-value ile onaylanir. hayatinda standart sapmanin yeri buyuktur.
  • istatistiksel anlamlılık klinik çalışmaların peşinde dağ tepe demeden, deniz çayır dinlemeden koştuklarıdır. yeterli bir örneklem grubuna ihtiyaç duyar. bu yüzden hindistan'da yaşamıyorsanız eğer tanrı ile ilgili hiçbir sorunun yanıtı istatistiksel olarak anlam taşımaz. fakat eski yunanda yapılacak bu tür bir araştırma oldukça anlamlı bilgilere ulaştırabilir bizleri. tanrılara karşı geldiğinde cezalandırılma olasılığı %80 iken bir başka tanrının kurtarma olasılığı da % 70'lere ulaşıyor. mitolojik öykü kahramanlarının illa ki yapma denileni neden yaptığını daha iyi anlayabiliyoruz bu sayede.
  • sonuçlar pratikte anlamlı* değilse bu verileri kullanarak popülasyon hakkında bir çıkarımda bulunmamalısınız hatta bulunamazsınız.

    yeterince büyük bir örneklem bulunduğunda neredeyse bütün farklar istatistiksel olarak anlamlı çıkabilir ya da örnekleminiz küçükse pratikte anlamlı olabilecek farklar için istatistiksel olarak anlamılı sonuçlar bulamayabiliriz.

    peki hem istatistikksel olarak anlamlı hem de pratikte anlamlı sonuçlar bulabilmek için ne/neler yapılmaladır?

    - alanınızda uygun görülen bir p değeri seçilerek başlayabiliriz (p: tip 1 hata* yapma olasılığı)
    - gücünüzü* belirlemelisiniz (yanlış olan sıfır hipotezi reddetme yani/ya da istatistiksel anlamlı sonuç bulma olasılığı).
    - popülasyon değişkesini belirleyiniz. eğer bilinmiyorsa örneklem değişkesinden ya da daha önce yapılmış benzer çalışmalardan faydalanabilirsiniz.
    - çalışmanız için bir etki büyüklüğü * belirleyiniz.
    - istatistiksel analizlerde kullanacağınız ve çalışmalarınızda kullandığınız toplam bağımsız değişken sayısını hesaplayınız.

    bu veriler ile beraber ilgili formülleri kullanarak ya da cohen'in (1988)`statistical power analysis for the behavioral sciences` tablolarını kullanarak çaışmanızda veri toplayacağınız en küçük örneklem büyüklüğünü bulabilirsiniz. bu sayı seçkisiz örneklem için geçerlidir.

    bu örneklemden alacağınız veriler, eğer karşılaştırdığınız değişkenler arasında aradığınız büyüklükle* bir fark varsa belirlediğiniz gücünüz ve tip bir hatanız ile beraber hem istatistiksel olarak anlamlı hem de pratikte anlamlı sonuçlar verecektir.

    istatistiksel olarak anlamlı bir sonuç bulamazsanız gücünüz ve tip iki hatanız (1-güç) ile beraber sıfır hipotezinizin doğru olduğunu kabul edersiniz.
  • p<0,05 olmalıdır
  • p değerinin en fazla 0.05 (bkz: %5) olması olarak kabul edilir. yapılan her 100 işten 5'inin yanlış olma olasılığının bulunması halidir

    p'nin daha büyük alınabildiği durumlar için
    (bkz: gsea) (bkz: gene set enrichment analysis)
    (bkz: hypergeometric tests)(bkz: genmapp) (bkz: ingenuity pathway analysis)
    (bkz: pathway analysis)

    aslında genel olarak, her bilim dalı, her analiz türü, her bilim adamı için değişmesi sebebiyle (bkz: paşa gönlüm ne isterse p değeri sınırım odur)
  • "p"nin boyutunun küçüldükçe anlamının arttığı yegane kavram.
  • genellikle test edilen parametre veya hipotezin p değeri 0,05'in altındaysa koy götüne arkadaşım. istatistiksel olarak gayet anlamlı bir hipoteze sahipsin demektir. tıbbi araştırmalarda anlamlılık seviyesi 0,01 alınabiliyor tabii.

    bunları spss, eviews, hatta excel varken elle hesaplatan ve tablolardan karşılaştırtan hocaların o antik ellerini öpeyim.

    adama elle regresyon modeli çözdürüyorlar sayfalarca. lan bunun yazılımları var işte. amelelik yaptıracağına analitik yorum yaptır.
  • bir araştırmada ya da deneyde ortaya çıkan sonucun tamamen rastlantıya bağlı olma olasılığıdır. bu olasılık p ile ifade edilir ve italik yazılır. p değeri ne kadar küçükse deney sonucunun (örneğin kontrol ve deney grupları arasındaki farkın) o kadar anlamlı olduğu söylenebilir. örneğin deney sonucunda bulunan p < .05 değeri elde edilen sonucun rastlantı eseri olma olasılığının % 5'ten daha küçük olduğunu gösterir.
  • eldeki değişkenlerle oluşturulan sıfır hipotezini reddettiğinizde hata yapma olasılığınızı yüzdelik olarak belirten değerdir.
    örneğin; araştırma konumuz matematik başarısı olsun. matematik başarısını cinsiyet değişkeni açısından incelemek istiyorsak, kuracağımız sıfır hipotezi şöyle olur: matematik başarısı cinsiyete göre farklılaşmaz.
    bu hipotezi test etmek için bağımsız örneklem grubu t testi kullanırız (verilerin parametrik olduğunu varsayıyoruz) ve test sonuçlarını yorumlarken manidarlık düzeyini (sig. , p olarak sembolize edilir) dikkate alırız. işte o değer, sıfır hipotezini reddedersek ne kadar hata yapacağımızı söyler. diyelim ki, p değeri (.02) çıktı.bu demektir ki ben sıfır hipotezini reddedip, matematik başarısı cinsiyete göre farlıkaşır dersem, %2 hata yaparım. bu oran kabul edilebilir bir hata oranı olduğu için (genelde sosyal bilimlerde kabul edilebilir hata oranı %5 olarak kabul edilir) sıfır hipotezini reddederim. yani kız ve erkek öğrencilerin matematik başarıları arasındaki fark istatistiksel olarak anlamlıdır diyebilirim.
  • öncelikle neden istatistiksel anlamlılık bunu anlamamız gerekiyor.

    bunun içinde evren ve örneklem dağılımlarına değinmeliyiz.
    bilindiği üzere bir çok çalışmada evren değerine ulaşmak mümkün değil (ya da şu ana kadar ki bilimsel olanaklarla mümkün olamadı, gelecekte ne olur bilemiyoruz).bu yüzden örneklem seçerek çalışmaları yürütüyoruz.

    tipik bir deneysel tasarım ile konuyu basitleştirelim. bir a ilacımız olsun x hastalığına iyi gelebileceği düşünülen.x hastalığına sahip tüm bireyler evrenimiz olsun.araştırmacımız bu evrenden uygun yöntemle (bkz: örnekleme yöntemleri) bu evrendeki değerleri temsil ettiği düşünülen bir örneklem seçsin.

    şimdi bu örneklem x hastalığına sahip bireyleri oluşturuyor.bu örneklem x hastalığına sahip insanlar evreni kümesine ait. şimdi ben bu örneklemi random iki parçaya böldüm.bunlardan birisine deney diğerine de kontrol grubu dedim.deney dediğim grubun üzerinde deneme yapacağım bizim a ilacını deneyeceğim.kontrol grubu da adı üzerinde.

    şimdi an alıcı noktaya geliyoruz. ben a ilacını deney grubuma uyguladım.kontrol grubuna uygulama yapmadım.araştırmacı şu soruya cevap arıyor bu ilaç işe yaradı mı? şimdi bu soru istatistiksel olarak şu manaya geliyor. bu ilacı uyguladıktan sonra bu insanlar hala hasta insanlar evreninde mi yoksa artık sağlıklı insanlar evreninde mi?

    biz tabii ki evrene hiç bir zaman ulaşamıyoruz. örneklem var elimizde.işte biz bu örneklemlerin nasıl dağıldığını biliyoruz (normal dağılım vb).şimdi soru şu deney ve kontrol grubumuz aynı evrenden gelen örneklemler mi yoksa bunlar arasında istatistiksel bir fark var mı?

    şimdi gelelim ölçüm kısmına.farz edelim bizim bu hastalık (hani şu a ilacının tedavi edeceği düşünülen) 0 ile 100 arası bir sayıyla ölçülüyor.

    benim elimde deney ve kontrol grubu hastalıkları olmak üzere iki grup puan var ve bu puanlar 0-100 arasında değişiyor.teorik olarak çok olasılıklı bir veri seti bu. ne demek, deney ve kontrol grubunda her bir hastanın puanları 0 ile 100 arasında değişecek.
    yani bu örneklemde hadi korkutmayalım insanları 10 hasta olsun her iki grupta.:

    deney kontrol
    1 (1-100)(1-100)
    2 ......................
    3 ......................
    4 ......................
    5 ......................
    6 ......................
    7 ......................
    8 ......................
    9 ......................
    10......................
    şimdi teorik olarak insanı zorlayacak kadar çok olasılık var. işte can alıcı nokta burada devreye giriyor. biz bu iki örneklemin (deney ve kontrol) aynı evrenden gelme olasılıklarını hesaplıyoruz ve burada p değeri dediğimiz kavram ortaya çıkıyor. yani biz bir araştırmada %95 olasılıkla a ilacı etkili dediğimizde bunların ayrı bir evrenden gelme olasılıklarını dile getirmiş oluyoruz.buna da istatistiksel anlamlılık deniyor kabaca.

    soru şu bu olmasa ne yapardık, ölçütsüz kalırdık karar veremezdin sayılara bakar dertlenirdik.bu yüzden şu ana kadar bilinen en iyi bilimsel karar aracı budur.
hesabın var mı? giriş yap