Co oznacza Trafność wewnętrzna badania?
Zastosowanie, warunki i dobre praktyki
Trafność wewnętrzna określa, na ile zaobserwowany efekt można przypisać badanemu oddziaływaniu zamiast selekcji, historii, dojrzewania, odpływu lub zmian pomiaru. Wzmacniają ją randomizacja, kontrola procedury, zaślepienie i analiza zgodna z przydziałem. Nie jest współczynnikiem spójności skali i nie należy mylić jej z „trafnością wewnętrzną” narzędzia.
Najważniejsze zastosowanie: Oceniaj ją przez randomizację, kontrolę zmiennych zakłócających, kolejność czasową, kompletność pomiaru, odpływ uczestników i adekwatność modelu. W badaniu obserwacyjnym jawnie opisuj pozostałe źródła konfuzji.
Jak poprawnie stosować i interpretować hasło „Trafność wewnętrzna badania”?
W odniesieniu do „Trafność wewnętrzna badania” najpierw trzeba wskazać populację, jednostkę przydziału lub obserwacji, momenty pomiaru oraz sposób powstawania porównywanych warunków. W analizie dotyczącej hasła „Trafność wewnętrzna badania” to projekt, a nie późniejszy wybór testu, wyznacza możliwość wnioskowania o zmianie, związku lub przyczynie. Dla interpretacji hasła „Trafność wewnętrzna badania” należy też nazwać zagrożenia dla trafności, takie jak selekcja, odpływ, historia, efekt pomiaru czy brak zaślepienia.
Ocena pojęcia „Trafność wewnętrzna badania” wymaga sprawdzenia, czy realizacja badania odpowiada planowi: czy randomizacja faktycznie zadziałała, czy pomiary wykonano w tej samej kolejności i czy utrata uczestników różniła się między grupami. W odniesieniu do hasła „Trafność wewnętrzna badania” odstępstwa trzeba opisać wraz z ich konsekwencjami. Przy ocenie hasła „Trafność wewnętrzna badania” analiza statystyczna może ograniczyć niektóre problemy, ale nie odtwarza kontroli, której zabrakło w projekcie.
Co trzeba opisać w raporcie?
Opis pojęcia „Trafność wewnętrzna badania” powinien pozwolić odtworzyć rekrutację, przydział, kolejność procedur, liczbę pomiarów i reguły wyłączeń. W analizie dotyczącej hasła „Trafność wewnętrzna badania” warto podać diagram przepływu uczestników, moment ustalenia hipotez oraz informację, które analizy były planowane. Dla interpretacji hasła „Trafność wewnętrzna badania” zakres wniosku należy dopasować do tego, co projekt rzeczywiście identyfikuje.
Zakres raportowania dla hasła „Trafność wewnętrzna badania”: Opisz schemat, sposób alokacji, zaślepienie, pomiary w czasie, przepływ uczestników, zmienne kontrolne i analizę wrażliwości. Wniosek przyczynowy ogranicz do założeń wspieranych przez projekt.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Jeżeli po terapii wynik poprawił się, ale nie było grupy kontrolnej, zmianę mogą wyjaśniać także regresja do średniej, przebieg naturalny lub równoległe leczenie. Wysoka alfa skali nie usuwa tych zagrożeń.
Jak ją zinterpretować: Poprawę wyniku można przypisać interwencji tylko w takim zakresie, w jakim projekt wyklucza regresję do średniej, historię, selekcję i inne alternatywy. Spójność skali nie rozwiązuje tych zagrożeń przyczynowych.
Najczęstsza pułapka i granica interpretacji
Nie używaj „trafności wewnętrznej” jako synonimu alfy, omegi, rho_A lub rzetelności kompozytowej. Te miary dotyczą spójności lub precyzji pomiaru, nie identyfikacji efektu przyczynowego.
Nawet poprawnie przeprowadzony „Trafność wewnętrzna badania” nie usuwa błędu pomiaru ani nie gwarantuje reprezentatywności. W odniesieniu do hasła „Trafność wewnętrzna badania” trafność wewnętrzna i możliwość uogólnienia są odrębnymi pytaniami, które wymagają osobnego uzasadnienia.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Appelbaum et al., 2018).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
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 →PoradnikAlfa Cronbacha: jak oceniać rzetelność skali bez uproszczeń
Alfa Cronbacha krok po kroku: wzór, założenia, interpretacja, ograniczenia i sytuacje, w których lepiej raportować współczynnik omega.
Czytaj →PoradnikRegresja logistyczna: założenia, interpretacja i raportowanie modelu
Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
- Altman, D. G. (2015). Making research articles fit for purpose: Structured reporting of key methods and findings. Trials, 16, 53. https://doi.org/10.1186/s13063-015-0575-7
- Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606. https://doi.org/10.1073/pnas.1708274114
- Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
Cytowania BibTeX
@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}}@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{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}@article{altman2015reporting, author={Altman, Douglas G.}, title={Making research articles fit for purpose: structured reporting of key methods and findings}, journal={Trials}, year={2015}, volume={16}, pages={53}, doi={10.1186/s13063-015-0575-7}}@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={The preregistration revolution}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}@article{osc2015reproducibility, author={{Open Science Collaboration}}, title={Estimating the reproducibility of psychological science}, journal={Science}, year={2015}, volume={349}, number={6251}, pages={aac4716}, doi={10.1126/science.aac4716}}