سطح معنی دار
در این نوشته می خواهیم در خصوص سطح معنی داری صحبت کنیم. مشخص کردن درجه ای برای معنی دار بودن تفاوت ها و حجمی برای نمونه مورد بررسی است. روش کار این است که فرض را به نفع فرض رد می کنیم به شرط اینکه از یک آزمون آماری مقداری به دست آوریم که احتمال وقوع آن مقدار با توجه به برابر یا کمتر از یک احتمال بسیار کوچک باشد، که با نشان داده می شود، باشد و به آن؛ «سطح معنی داری» (significance level) گفته می شود.
مقادیری که معمولا برای استفاده می شود اکثرا ۰٫۰۱ و۰٫۰۵ است.
از انجا که مقدار α در تعیین اینکه باید رد شود یا نه دخالت مستقیم دارد، الزام رعایت عینیت در تحقیق ایجاب می کند که را پیش از شروع جمع آوری داده ها مشخص کنیم.
سطح معنی داری که محقق برای تعیین در تحقیق α انتخاب می کند براساس تخمین او از اهمیت و یا درجۀ قابلیت کاربرد یافته هایش مبتنی است.
طبیعی است که اگر تحقیق مثلا درباره آثار درمانی عمل جراحی روی مغز باشد، محقق باید α را خیلی کمتر در نظر بگیرید زیرا خطرهای رد کردن نادرست فرضیه صفر بسیار زیاد است.
انواع خطا در خصوص سطح معناداری
هنگام اتخاذ تصمیم دربارۀ H0 ممکن است دو نوع خطا پیش آید:
خطای نوع اول (Type I): رد کردن فرض H0 در حالی که درست است.
خطای نوع دوم (Type II): پذیرفتن فرض H0در حالی که غلط است.
احتمال وقوع خطای نوع اول با α ارتباط دارد، هر چهα بزرگتر شود، احتمال اینکه H0 را به غلط رد کنیم یا به عبارت دیگر، احتمال اینکه مرتکب خطای نوع اول شویم، افزایش می یابد.
خطای نوع دوم معمولا باβ نشان داده می شود.
حروف لاتینα و β هم برای نشان دادن «نوع خطاها» و هم «ارتکاب خطاها» به کار می روند، یعنی: (رد کردن H0 وقتی H0 درست است) P = (خطای نوع اول) P =α (رد نکردن H0 وقتی H0 غلط است ) P = (خطای نوع دوم) P=β احتمالα به مقدار مشخص پارامتر در دامنه ای بستگی داد که H0 آن را در بر می گیرد و حال آن که β به مقدار پارامتر در دامنه ای بستگی داد که H1آن را در بر می گیرد.
جدول خطاها
این خطاها و احتمال آن ها در رابطه با H0 را می توان به صورت جدول زیر خلاصه کد.
واضح است که بین α وβ رابطه معکوس وجود دارد. با بالا رفتنα مقدار β کاهش می یابد و برعکس.
این رابطه در آمار به «بده – بستان» (Trade off)بینα و β معروف است.
آن چه مسلم است، مجموعα وβ الزاما عدد یک نیست.
واضح است که در هر استنباط آماری، احتمال وقوع یکی از این دو نوع خطا وجود دارد و لازم است که آزمون کننده به نوعی سازش که تعادل بین احتمال وقوع این دو نوع خطا را به حد مطلوب برساند دست یابد.
آزمون های آماری مختلف، احتمال تعادل های مختلفی را عرضه می کنند.
در رسیدن به چنین تعادلی است که موضوع «توان آزمون» (Power Function) مطرح می شود.
«توان آزمون» (Power Function)
توان آزمون عبارت است از احتمال رد H0 وقتی که H0 حقیقتا نادرست است: β-۱ = (احتمال وقوع خطای نوع دوم) – ۱ = توان آزمون آن چه موجب کاهش «خطای نوع اول»، « خطای نوع دوم» و همچنین «توان آزمون» می شود، افزایش حجم نمونه است.
منحنی های شکل ۱-۴ نشان می دهد که وقتی حجم نمونه (n) افزایش می یابد احتمال وقوع خطای نوع دوم (β)کاهش می یابد.
در اینجا افزایش «توان آزمون» دو طرفۀ میانگین وقتی حجم نمونه افزایش می یابد با هم مقایسه شده است.
مشاهده می شود که وقتی حجم نمونه از ۴ به ۵۰٫۲۰٫۱۰ و۱۰۰ افزایش می یابد، چگونه توان آزمون نیز زیادتر می شود.
