Słownik metodologiczny · Testy statystyczne

Testy parametryczne

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

Strona główna / Słownik / Testy parametryczne

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Testy parametryczne?

Testy parametryczne opierają się na modelu określonym przez skończony zestaw parametrów, np. średnią i wariancję.

Zastosowanie, warunki i dobre praktyki

Test parametryczny zakłada rodzinę rozkładów opisaną skończonym zestawem parametrów. Nie oznacza to, że każda surowa zmienna musi być idealnie normalna. Ważniejsze są założenia konkretnego modelu, rozkład reszt lub estymatora oraz odporność na naruszenia; np. test Welcha pozostaje parametryczny, choć nie wymaga równych wariancji.

Najważniejsze zastosowanie: Stosuj, gdy interesujący parametr i założenia odpowiadają pytaniu; korzystaj z wariantów odpornych.

Jak poprawnie stosować i interpretować hasło „Testy parametryczne”?

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

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

Co trzeba opisać w raporcie?

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

Zakres raportowania dla hasła „Testy parametryczne”: Podaj model, estymatę, CI, test i diagnostykę.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Test t Welcha jest parametryczny, lecz odporniejszy na nierówne wariancje niż klasyczny Student.

Jak ją zinterpretować: Parametryczny model jawnie określa postać rozkładu lub średniej i może być odporny na umiarkowane naruszenia. Zasadność ocenia się względem reszt, zależności obserwacji i celu, nie przez rytualny test normalności.

Najczęstsza pułapka i granica interpretacji

Normalność surowych zmiennych nie jest uniwersalnym warunkiem wszystkich testów parametrycznych.

Wniosek oparty na „Testy parametryczne” jest warunkowy względem modelu, sposobu zebrania danych i przyjętej procedury. Przy ocenie hasła „Testy parametryczne” 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

Testy nieparametryczneChi-kwadrat (test niezależności)Estymacja przedziałowaEstymacja punktowaHipoteza (zerowa i alternatywna)Hipoteza badawcza

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