Słownik metodologiczny · Testy statystyczne

Test statystyczny

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

Strona główna / Słownik / Test statystyczny

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Test statystyczny?

Test statystyczny jest procedurą porównującą dane z rozkładem wynikającym z określonego modelu i hipotezy zerowej, przy jawnie ustalonej regule decyzyjnej.

Zastosowanie, warunki i dobre praktyki

Każdy test definiuje statystykę, model hipotezy zerowej i regułę oceny wyników w powtarzanych próbach. Różne procedury o podobnej nazwie mogą testować inne parametry. Poprawny wybór zaczyna się więc od pytania i struktury danych, a pełny raport obejmuje oszacowanie, przedział, statystykę, stopnie swobody, p oraz założenia.

Najważniejsze zastosowanie: Dobieraj do pytania, projektu, skali i struktury zależności.

Jak poprawnie stosować i interpretować hasło „Test statystyczny”?

W odniesieniu do pojęcia „Test statystyczny” najpierw definiuje się parametr, populację i procedurę, względem której oceniana jest niepewność. W analizie dotyczącej hasła „Test statystyczny” wynik testu albo przedział nie ma samodzielnego znaczenia bez oszacowania efektu w jednostkach badania. Dla interpretacji hasła „Test statystyczny” warto rozdzielić pytanie o zgodność danych z modelem zerowym od pytania o wielkość, precyzję i praktyczne znaczenie obserwowanego efektu.

Ocena pojęcia „Test statystyczny” wymaga sprawdzenia założeń modelu, planu doboru próby i wszystkich decyzji podjętych po obejrzeniu danych. W odniesieniu do hasła „Test statystyczny” wielokrotne testy, opcjonalne zatrzymywanie zbierania danych lub wybór korzystnego wariantu zmieniają częstość błędów. Przy ocenie hasła „Test statystyczny” analiza wrażliwości i jawne odróżnienie analiz potwierdzających od eksploracyjnych pomagają ocenić wiarygodność wniosku.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Test statystyczny” należy podać estymatę, jednostkę, przedział ufności oraz — jeśli wykonywano test — statystykę, stopnie swobody i dokładną wartość p. W analizie dotyczącej hasła „Test statystyczny” ostatnie zdanie powinno odpowiadać na pytanie merytoryczne, ale nie zamieniać nieodrzucenia hipotezy zerowej w dowód braku efektu.

Zakres raportowania dla hasła „Test statystyczny”: Podaj statystykę, df, p, efekt, CI i założenia.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Test t odpowiada na pytanie o średnią różnicę, a Mann–Whitney o uporządkowanie rozkładów — nie są wymienne.

Jak ją zinterpretować: Statystyka i p mają sens tylko względem określonej H₀, modelu i sposobu losowania danych. Wynik nie mierzy wielkości efektu ani prawdziwości teorii, dlatego raport wymaga oszacowania i niepewności.

Najczęstsza pułapka i granica interpretacji

Nie wybieraj testu dopiero po sprawdzeniu, który daje p<.05.

Wniosek oparty na „Test statystyczny” jest warunkowy względem modelu, sposobu zebrania danych i przyjętej procedury. W odniesieniu do hasła „Test statystyczny” istotność statystyczna nie mierzy ważności efektu, a brak istotności nie ustanawia równoważności.

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