Słownik metodologiczny · Testy statystyczne

Test McNemara

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Test McNemara

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Test McNemara?

Test McNemara porównuje pary zależnych odpowiedzi binarnych, koncentrując się na parach niezgodnych.

Zastosowanie, warunki i dobre praktyki

Test McNemara dotyczy sparowanych odpowiedzi binarnych i wykorzystuje wyłącznie pary niezgodne, które zmieniły kategorię w przeciwnych kierunkach. Odpowiada na pytanie o równość prawdopodobieństw zmian, a nie o niezależność wszystkich komórek tabeli. Przy małej liczbie par niezgodnych stosuje się wariant dokładny i podaje kierunek oraz liczbę zmian.

Najważniejsze zastosowanie: Stosuj dla danych przed–po albo dopasowanych par z wynikiem tak/nie.

Jak to się oblicza i co oznaczają symbole?

χ² = (|b−c|−1)² / (b+c)

b i c są parami niezgodnymi w tabeli 2×2, a „−1” jest korektą ciągłości w jednym wariancie. Przy małej liczbie par niezgodnych zaleca się dokładny test dwumianowy.

Jak poprawnie stosować i interpretować hasło „Test McNemara”?

Test McNemara wybiera się wtedy, gdy te same osoby lub dopasowane pary mają dwa wyniki binarne, na przykład „tak/nie” przed interwencją i po niej. Przy ocenie hasła „Test McNemara” analiza nie porównuje median ani rang. W analizie dotyczącej hasła „Test McNemara” sprawdza, czy liczba zmian z 0 na 1 różni się od liczby zmian z 1 na 0, dlatego informację o wyniku wnoszą wyłącznie pary niezgodne.

W analizie dotyczącej hasła „Test McNemara” przed testem trzeba potwierdzić prawidłowe sparowanie rekordów, dwukategorialne kodowanie oraz niezależność poszczególnych par. Dla interpretacji hasła „Test McNemara”, gdy liczba par niezgodnych jest mała, lepszy jest wariant dokładny oparty na rozkładzie dwumianowym; korekta ciągłości w przybliżeniu chi-kwadrat powinna być jawnie wskazana. W odniesieniu do hasła „Test McNemara” braków nie wolno zamieniać automatycznie w jedną z kategorii.

Co trzeba opisać w raporcie?

W odniesieniu do hasła „Test McNemara” raport powinien pokazać pełną tabelę przejść 2 × 2, w tym liczby zmian w obu kierunkach, oraz podać wariant testu, statystykę albo dokładną wartość p. Przy ocenie hasła „Test McNemara” dla znaczenia praktycznego warto uzupełnić wynik o różnicę sparowanych proporcji z przedziałem ufności i opisać, który kierunek zmiany przeważał.

Zakres raportowania dla hasła „Test McNemara”: χ²McN(1)=…, p=…; pokaż tabelę 2×2 i różnicę proporcji z CI.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Sprawdzasz, ilu uczestników zmieniło odpowiedź z nie na tak versus z tak na nie.

Jak ją zinterpretować: Wniosek zależy od liczby par, które zmieniły kategorię w przeciwnych kierunkach; zgodne pary nie tworzą statystyki. Przy małej liczbie zmian właściwy jest test dokładny i jawny opis kierunku przejść.

Najczęstsza pułapka i granica interpretacji

Zwykły chi-kwadrat niezależności ignoruje sparowanie i jest niewłaściwy.

W analizie dotyczącej hasła „Test McNemara” istotny test McNemara wskazuje asymetrię zmian w badanej parze pomiarów, lecz nie wyjaśnia jej przyczyny. Dla interpretacji hasła „Test McNemara” test nie nadaje się do niezależnych grup, wyniku z więcej niż dwiema kategoriami ani danych, w których nie da się jednoznacznie odtworzyć par.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).

Powiązane hasła

Chi-kwadrat (test niezależności)Test FriedmanaTest Kołmogorowa-SmirnowaTest Kruskala-WallisaTest Levene’aTest Manna-Whitneya

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Wielkość efektu: jak ocenić znaczenie wyniku poza wartością p

Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.

Czytaj →Poradnik

Pytania badawcze i hipotezy: jak przejść od teorii do analizy

Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  2. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
  3. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  4. Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
  5. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
  6. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}
@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
R